A 10-01 vas organitzar les teves lectures: llibres per bloc, articles clau i un pla en tres etapes. Els llibres donen profunditat, però aprendre només amb ells és lent quan el que cal és pràctica guiada, amb vídeos, exercicis corregits i una seqüència pensada per algú que ja ha recorregut el camí. Això és el que ofereixen els cursos i tutorials en línia, i n'hi ha tants que el problema ja no és trobar-los sinó triar bé i no acumular inscripcions sense acabar. Aquesta lliçó et dona un criteri d'elecció, presenta els MOOC i especialitzacions de referència (els que la comunitat fa anys que recomana), ensenya a fer servir la documentació oficial com a tutorial (sovint el millor curs és el que va escriure qui va fer la llibreria), recull canals de vídeo que expliquen de debò, comenta els recursos en castellà, insisteix en la pràctica deliberada (Kaggle, projectes, replicar articles) i acaba amb una taula resum, un pla de tres mesos i el que farien la Marta i el Diego per reforçar el que cadascú necessita.

Mateixa prudència que a 10-01: només citem cursos reals i consolidats, per nom i plataforma; no en donem preus ni enllaços profunds, perquè canvien; els temps són orientatius; el que avui és gratuït o "auditable" sense cost pot deixar de ser-ho, comprova-ho abans de planificar.

1. Com triar un curs: objectiu, nivell, temps, pràctica i certificat
2. MOOC i especialitzacions de referència
3. La documentació oficial com a tutorial
4. Canals i sèries de vídeo que expliquen de debò
5. Recursos en castellà
6. Pràctica deliberada: Kaggle, projectes propis i replicar articles
7. Taula resum: curs, nivell, mòdul que amplia, temps, per a qui
8. Pla de tres mesos d'exemple i aterratge a NovaMarket
9. Errors Comuns i Consells
10. Exercicis
11. Conclusió

Abans d'inscriure't enlloc, respon per escrit cinc preguntes:

Un criteri addicional: qui l'imparteix i quanta gent l'ha acabat. Els cursos que citem a sota fa anys que circulen, tenen milers de ressenyes i els seus autors són referents; això redueix el risc.

Agrupats pel que amplien del curs. Els temps són estimacions habituals; consulta la plataforma.

• Machine Learning Specialization (Coursera; DeepLearning.AI i Stanford Online, Andrew Ng). Tres cursos: regressió i classificació, algorismes avançats (xarxes, arbres), i aprenentatge no supervisat, recomanadors i reforç. És la versió modernitzada en Python del cèlebre curs de Ng. Perfecta com a "segon curs" després d'aquest: mateix mapa que el nostre mòdul 4, més matemàtiques i més exercicis. Orientatiu: 2-3 mesos a 5 h/setmana.
• Google Machine Learning Crash Course (developers.google.com). Gratuït en el moment d'escriure, curt, amb vídeos, exercicis interactius i un glossari excel·lent. Cobreix regressió, classificació, generalització, embeddings, equitat. Ideal per repassar ràpid o per a perfils no tècnics amb una mica de curiositat pel codi. Orientatiu: 15-20 hores.
• Kaggle Learn (kaggle.com/learn). Microcursos de 3-5 hores cadascun: Python, pandas, Intro to Machine Learning, Intermediate ML, Feature Engineering, Intro to Deep Learning, Time Series, Data Cleaning, entre d'altres. Cadascun amb quaderns executables al navegador. Molt pràctics per tapar forats concrets (p. ex. "no domino els pipelines amb imputers").
• Stanford CS229 Machine Learning (materials públics: apunts i vídeos). Nivell universitari amb matemàtiques; fes-lo servir quan vulguis la derivació del que scikit-learn fa per tu (04-04, 04-06). Orientatiu: un semestre.

• Deep Learning Specialization (Coursera; DeepLearning.AI, Andrew Ng). Cinc cursos: xarxes neuronals, millora (regularització, optimització, hiperparàmetres), estructuració de projectes, CNN i models de seqüències (RNN, atenció, transformers). És l'itinerari més complet i pausat; el curs 3 ("Structuring ML Projects") és el complement perfecte de 08-01. Orientatiu: 4-5 mesos a 5 h/setmana.
• fast.ai, Practical Deep Learning for Coders (course.fast.ai). Gratuït, enfocament "primer construeixes, després entens": a la primera lliçó entrenes un classificador d'imatges amb transferència d'aprenentatge. Fa servir PyTorch i la seva llibreria fastai. Ideal per a qui aprèn fent i ja es defensa en Python. Orientatiu: 8 lliçons de 2 hores més pràctica.
• MIT 6.S191 Introduction to Deep Learning (introtodeeplearning.com i MIT OpenCourseWare). Curs intensiu anual amb vídeos i laboratoris en TensorFlow/PyTorch: fonaments, seqüències, visió, generatius, reforç, LLM. Bo per a una visió moderna i compacta. Orientatiu: 15-25 hores.
• Stanford CS231n (visió amb CNN) i CS224n (PLN amb deep learning): apunts, tasques i vídeos públics. Referència universitària per a qui triï l'itinerari de visió o de PLN a 10-04. Orientatiu: un semestre cadascun.

• MIT 6.034 Artificial Intelligence (MIT OpenCourseWare, Patrick Winston). Vídeos complets d'un curs clàssic d'IA: cerca, jocs, regles, restriccions, xarxes, aprenentatge, i una manera d'explicar única. És el curs que més s'assembla als nostres mòduls 3 i 6, amb més profunditat. Els vídeos són antics però els fonaments no caduquen.
• Elements of AI (Universitat de Hèlsinki i MinnaLearn; elementsofai.com). Introducció no tècnica, gratuïta en el moment d'escriure, disponible en molts idiomes, castellà inclòs: què és la IA, resolució de problemes, probabilitat, ML, xarxes, implicacions. Per a perfils de negoci o per recomanar a companys; també té una segona part ("Building AI") amb una mica de Python. Orientatiu: 30 hores.

• Hugging Face Course / LLM Course (huggingface.co/learn). Gratuït, pràctic, amb la llibreria transformers: tokenitzadors, ajust fi, datasets, compartir models al Hub, i capítols sobre LLM. És el pas natural des de 05-05 i 07-03 per a qui vulgui treballar amb models preentrenats en català (com suggeríem a 09-04 per a les ressenyes).
• DeepLearning.AI short courses (deeplearning.ai). Cursos d'1-2 hores, molts gratuïts, sobre prompting, RAG, avaluació de LLM, agents, bases de dades vectorials, amb socis del sector. Ideals per prototipar l'assistent del cas 7; tingues en compte que el seu contingut caduca més de pressa que el dels fonaments.

• Microsoft "AI for Beginners" i "ML for Beginners" (repositoris a GitHub de Microsoft). Plans d'estudi de 12 setmanes amb lliçons, quaderns i qüestionaris; gratuïts i oberts. Cobreixen des d'IA simbòlica i xarxes fins a PLN i ètica (AI for Beginners) i ML clàssic amb scikit-learn (ML for Beginners). Bona estructura per a autodidactes que vulguin un calendari ja fet.

Els millors tutorials d'una llibreria solen ser a la seva pròpia documentació, escrits pels seus autors i sempre actualitzats:

Mètode: per a cada llibreria, un quadern propi anomenat aprenent_<llibreria>.ipynb a novamarket_ia/notebooks/, amb les cel·les de la documentació reproduïdes i comentades amb les teves paraules.

• 3Blue1Brown, sèrie "Neural networks" (Grant Sanderson). Quatre vídeos inicials sobre què és una xarxa, descens del gradient i retropropagació amb animacions excel·lents, i una continuació sobre transformers i atenció. És la millor manera de veure el que vas programar a 05-03. Les seves sèries d'àlgebra lineal i càlcul són el repàs matemàtic ideal.
• StatQuest (Josh Starmer). Vídeos curts i clars d'estadística i ML: regressió logística, arbres, random forest, boosting, validació creuada, ROC/AUC (04-05), PCA. Quan un concepte de scikit-learn no acabi d'encaixar, gairebé segur que hi ha un StatQuest.
• Andrej Karpathy, "Neural Networks: Zero to Hero". Sèrie en què programa des de zero, en directe, la retropropagació (micrograd), un model de llenguatge per caràcters, i finalment un GPT petit i un tokenitzador. És la continuació exacta de 05-03 i 05-05 per a qui vulgui entendre un LLM línia a línia. Exigent però transformadora; fes-la amb el teclat.

Els vídeos són excel·lents per a la intuïció, no substitueixen la pràctica: regla d'"una hora de vídeo, una hora de codi".

Hi ha una oferta creixent en castellà: cursos universitaris oberts (diverses universitats espanyoles i llatinoamericanes publiquen assignatures d'IA i ML a les seves plataformes o en MOOC), programes de plataformes de formació en línia, i comunitats que tradueixen materials. No en citem noms concrets perquè la seva qualitat i disponibilitat varien molt i no volem recomanar res que demà no existeixi; aplica el criteri de la secció 1 (qui imparteix, pràctica real, ressenyes). El que sí que podem dir amb seguretat:

• Elements of AI té versió en castellà, i és la millor porta d'entrada no tècnica per a qui prefereixi no començar en anglès.
• La documentació de scikit-learn, PyTorch i pandas és en anglès; convé acostumar-s'hi, perquè el vocabulari tècnic del sector és l'anglès (per això en aquest curs hem fet servir els termes amb el seu nom original entre parèntesis).
• Molts MOOC de Coursera i edX ofereixen subtítols en castellà; el contingut dels exercicis continua en anglès.
• Per al vocabulari, un petit glossari propi bilingüe (terme en anglès, traducció, definició amb les teves paraules) és una inversió que s'amortitza de pressa.

Cap curs ensenya el que ensenya un problema que t'has entestat a resoldre. Tres formes de pràctica, de menys a més lliure:

1. Competicions d'iniciació a Kaggle. "Titanic" (classificació binària) i "House Prices" (regressió amb moltes característiques) són les clàssiques d'aprenentatge: dades petites, milers de quaderns públics per comparar el teu enfocament, taula de classificació per mesurar-te. Objectiu: no guanyar, sinó fer un pipeline net com el de 04-03 a 04-06, llegir els quaderns més ben valorats i entendre què van fer millor.
2. Projectes personals. Tria un problema petit amb dades que t'importin (la teva ciutat, la teva afició, la teva feina, o els casos de NovaMarket que vam deixar oberts: la previsió de demanda amb més història, l'assistent RAG del cas 7). Segueix el mètode de 08-01 i documenta amb model card (10-04 ho convertirà en portafolis).
3. Replicar articles. Agafa un article de la taula de 10-01 (word2vec o LeNet són assequibles) i intenta reproduir-ne un resultat a petita escala. Papers with Code et donarà implementacions per comparar. És la pràctica que més t'acosta a la feina real de recerca aplicada.

Pla per a un júnior amb unes 6 hores setmanals que vol consolidar ML i treure el cap al deep learning:

La Marta necessita portar el predictor de frau a producció de manera robusta i engegar l'assistent RAG: faria la Deep Learning Specialization només en el seu curs 3 ("Structuring ML Projects") i, sobretot, buscaria formació de MLOps (monitoratge, versionat, desplegament; a 10-04 ho detallem) a més del Hugging Face Course i un parell de short courses de RAG per al cas 7; per al seu equip, la Machine Learning Specialization com a base comuna. El Diego no programarà models, però necessita entendre què li lliuren i decidir bé: faria Elements of AI (totes dues parts, en castellà) i el Google ML Crash Course sense les parts de codi, i dedicaria el temps restant a les lectures d'ètica de 10-01; el seu lliurable seria una llista de preguntes que farà a partir d'ara a cada model que li presentin (ús previst, dades, mètrica de negoci, subgrups, deriva).

• Col·leccionar inscripcions. Un curs cada vegada, amb data de final i lliurable. La resta, llista d'espera.
• Mirar vídeos a doble velocitat sense teclejar. Sensació d'aprendre, retenció mínima. Una hora de vídeo, una hora de codi.
• Començar pel més nou (agents, LLM) sense fonament. Els short courses de LLM són fantàstics amb la base dels mòduls 4 i 5; sense ella, es converteixen en copiar i enganxar.
• Triar pel certificat. El certificat no substitueix un repositori amb un projecte ben documentat; serveix com a complement.
• Ignorar la documentació oficial perquè sembla àrida. Sol ser el tutorial més correcte i actualitzat.
• Consell: a cada curs, aplica el que has après a dades pròpies (les de NovaMarket serveixen) abans de passar a la setmana següent; i anota, com a 10-01, quin mòdul del curs amplia cada cosa.

1. Fitxa d'elecció. Tria un curs de la taula i omple les cinc preguntes de la secció 1 (objectiu, nivell, temps, pràctica, certificat). Conclou amb un "sí/no/encara no" raonat.
2. Pla de tres mesos propi. Adapta el pla de la secció 8 a la teva disponibilitat real i al teu itinerari preferit (ML clàssic, deep learning/PLN, raonament, gestió); una fila per bloc de setmanes amb lliurable.
3. De vídeo a codi. Mira el primer vídeo de la sèrie de xarxes de 3Blue1Brown (o un de StatQuest sobre regressió logística) i escriu quin fragment de codi de 05-01/05-03 (o de 04-04) correspon al que s'hi explica, i quin experiment petit faries per comprovar-ho.

1. Exemple: "Machine Learning Specialization. Objectiu: entendre la matemàtica de la regressió logística i dels arbres que faig servir amb scikit-learn, i ampliar a recomanadors (cas 1). Nivell: prerequisits de Python i àlgebra bàsica, els tinc. Temps: 5 h/setmana durant 10 setmanes, compatible amb la feina. Pràctica: laboratoris en Python corregits i qüestionaris. Certificat: no el necessito ara; el seguiré sense i decidiré al final. Conclusió: sí, començo dilluns."
2. Exemple (itinerari deep learning/PLN, 5 h/setmana): Setm. 1-2: PyTorch "Learn the Basics" + 3Blue1Brown; lliurable: xarxa de 09-03 reescrita amb nn.Module propi. Setm. 3-8: fast.ai lliçons 1-4 + Karpathy micrograd; lliurable: classificador d'imatges amb transferència i notes de la retropropagació des de zero. Setm. 9-12: Hugging Face Course caps. 1-3; lliurable: model en català ajustat a ressenyes amb model card.
3. Exemple: "El vídeo explica que cada neurona calcula una suma ponderada més biaix i hi aplica una activació; correspon a z = X @ W + b; a = sigmoide(z) de 05-01. Experiment: fixar tots els pesos a zero i comprovar que totes les neurones d'una capa aprenen el mateix (simetria), com advertíem a 05-03."

Ara tens un criteri per triar cursos (objectiu, nivell, temps, pràctica, certificat), un mapa dels MOOC i especialitzacions de referència per bloc (Elements of AI i Google Crash Course com a entrada; Machine Learning i Deep Learning Specialization, fast.ai, MIT 6.S191 i 6.034, Stanford CS229/CS231n/CS224n, Kaggle Learn, Hugging Face Course, short courses de LLM, Microsoft for Beginners), l'hàbit de fer servir la documentació oficial com a tutorial, canals de vídeo que ensenyen (3Blue1Brown, StatQuest, Karpathy), una nota realista sobre els recursos en castellà, tres formes de pràctica deliberada, un pla de tres mesos i els reforços concrets de la Marta i el Diego. Amb llibres (10-01) i cursos (10-02) tens contingut de sobres; el que falta és el que cap material dona per si sol: persones a qui preguntar quan t'encalles, amb qui contrastar i a qui ajudar. D'això tracta la lliçó següent (10-03): comunitats i fòrums, com preguntar bé i com participar sense exposar dades de la teva empresa.