Els llibres et donen profunditat i coherència; els cursos en línia aporten una altra cosa: estructura temporal, vídeo per a conceptes difícils de visualitzar, exercicis autocorregits i, en alguns casos, certificats. El problema no és trobar cursos — n'hi ha milers — sinó triar els pocs que de debò afegeixen alguna cosa després d'haver completat aquest. En aquesta lliçó seleccionem cursos i especialitzacions reals i consolidades, indiquem quin mòdul d'aquest curs amplia cadascuna i, sobretot, et donem una estratègia per no caure en la trampa més comuna de l'autodidacte: col·leccionar cursos sense acabar-ne cap.

1. Què et pot donar un curs en línia que aquest curs no t'hagi donat ja
2. Les especialitzacions d'Andrew Ng (Coursera / DeepLearning.AI)
3. fast.ai: deep learning de dalt a baix
4. Kaggle Learn: microcursos amb notebooks
5. La documentació de scikit-learn com a curs
6. Nivell avançat: Stanford CS229 i MIT OpenCourseWare
7. Continguts en castellà
8. Taula comparativa
9. Com no col·leccionar cursos: el projecte com a eix

Abans d'apuntar-te a res, pregunta't què busques. Després de completar els 10 mòduls d'aquest curs, un curs en línia només té sentit si t'aporta una d'aquestes tres coses:

• Profunditat en una àrea concreta (deep learning, teoria matemàtica) que aquí vam tractar de manera introductòria.
• Una altra perspectiva sobre el mateix: sentir un altre professor explicar la regularització o el descens de gradient consolida el que has après.
• Pràctica guiada addicional amb feedback automàtic (notebooks autocorregits).

Si un curs no et dona cap de les tres, és redundant: no el comencis.

• Plataforma: Coursera (DeepLearning.AI i Stanford). Idioma: anglès, amb subtítols en castellà.
• Cost: els vídeos es poden auditar gratis; el certificat i els laboratoris qualificats són de pagament (subscripció a Coursera).
• Per a qui: qui vulgui consolidar els fonaments amb l'explicació més didàctica que existeix en vídeo. Andrew Ng és probablement el professor d'ML més influent del món, i aquesta especialització (hereva del seu mític curs de 2011, modernitzada amb Python) és un clàssic per alguna cosa.
• Què aporta després d'aquest curs: repassa els mòduls 4, 6 i 7 des de dins: implementa el descens de gradient i la regressió logística a baix nivell, allà on nosaltres vam fer servir scikit-learn com una caixa ben entesa però tancada. És l'"altra perspectiva" per excel·lència.

• Plataforma: Coursera (DeepLearning.AI). Idioma: anglès, amb subtítols en castellà. Cost: igual que l'anterior.
• Per a qui: qui vulgui especialitzar-se en xarxes neuronals després de l'aperitiu de 07-04 i els projectes 09-02 (CNN) i 09-03 (NLP).
• Què aporta després d'aquest curs: cinc cursos que cobreixen les xarxes des de zero: fonaments, ajust pràctic, estructuració de projectes, CNN i models de seqüència. És el camí en vídeo equivalent al llibre de Chollet de la lliçó anterior; molts fan tots dos.

• Plataforma: fast.ai (curs Practical Deep Learning for Coders). Idioma: anglès. Cost: totalment gratuït.
• Per a qui: perfil pràctic que prefereixi començar entrenant models d'última generació i entendre la teoria després.
• Què aporta després d'aquest curs: la filosofia inversa a la d'Andrew Ng. Allà on Ng construeix de baix a dalt (matemàtiques → model), fast.ai va de dalt a baix: a la primera lliçó ja entrenes un classificador d'imatges competitiu, i les capes de teoria arriben després. Amplia els projectes del mòdul 9 i t'exposa a PyTorch (mitjançant la llibreria fastai), un framework que no vam fer servir en aquest curs i que domina la recerca.
• Com abordar-lo: tria o l'especialització de Ng o fast.ai com a primer pas en deep learning, segons el teu estil d'aprenentatge. Fer tots dos alhora és la recepta de l'abandonament.

• Plataforma: kaggle.com/learn. Idioma: anglès. Cost: gratuït.
• Per a qui: qui vulgui repassos ràpids i pràctics, en sessions de menys d'una hora.
• Què aporta després d'aquest curs: microcursos de 3-5 hores (Intro to Machine Learning, Intermediate ML, Feature Engineering, Time Series...) fets íntegrament en notebooks executables al navegador. Després d'aquest curs, la majoria et resultaran fàcils: fes-los servir com a escalfament abans d'una competició de Kaggle (ho veurem a la propera lliçó) o per a temes que vam tractar poc, com el feature engineering avançat (amplia el mòdul 3) o les sèries temporals (que aquest curs no va cobrir).

• Plataforma: scikit-learn.org. Idioma: anglès. Cost: gratuït.
• Mereix una entrada pròpia perquè és un dels recursos més infravalorats: la secció User Guide de scikit-learn és, a la pràctica, un curs complet d'ML clàssic, amb explicació conceptual, matemàtiques i exemples executables de cada algorisme, i la galeria d'exemples és una mina de codi de qualitat.
• Què aporta després d'aquest curs: és la referència directa de gairebé tot el que vam fer als mòduls 3 a 7. Quan vulguis entendre de debò un paràmetre que vas ajustar "perquè sí", la seva pàgina del User Guide és el primer lloc on mirar. Acostumar-te a llegir documentació oficial és, a més, una habilitat professional en si mateixa.

• CS229 (Stanford, Machine Learning): les classes completes de l'assignatura de postgrau són gratis a YouTube (canal Stanford Online), amb apunts al web del curs. Idioma: anglès. És la versió matemàtica i rigorosa del temari de Ng: derivacions completes, teoria de l'aprenentatge. Aborda'l només amb base d'àlgebra lineal i càlcul, idealment després d'haver llegit ISL (lliçó anterior).
• MIT OpenCourseWare: publica gratuïtament materials i vídeos d'assignatures del MIT, incloses Introduction to Machine Learning i les excel·lents bases matemàtiques (àlgebra lineal de Gilbert Strang, probabilitat). Idioma: anglès. Útil sobretot per reforçar les matemàtiques que sostenen els mòduls 2, 4 i 7.

L'oferta de qualitat en castellà és menor, però existeix:

• Coursera i edX allotgen cursos d'universitats hispanoparlants i d'universitats que tradueixen continguts; a més, gran part del catàleg en anglès (incloses les especialitzacions de Ng) ofereix subtítols en castellà, cosa que rebaixa molt la barrera.
• UNED, UPV, UAB i altres universitats espanyoles publiquen MOOC d'introducció a la ciència de dades i a l'ML en plataformes com edX o MiriadaX; el seu nivell sol ser introductori, de manera que després d'aquest curs et serviran més com a repàs que com a ampliació.
• Consell honest: fes servir el castellà com a suport (subtítols, repàs), però no hi limitis la teva ruta; els cursos de referència de l'àrea són en anglès i esperar-los traduïts és quedar-se enrere.

El patró de fracàs més comú de l'autodidacte té nom: tutorial hell. Apuntar-se a cinc cursos, començar-ne tres, acabar-ne zero. Els antídots:

• Un curs actiu alhora. Igual que amb els llibres. Acabar sencer un curs mediocre ensenya més que començar-ne tres d'excel·lents.
• El projecte mana, el curs serveix. Inverteix la relació: en lloc de "faig el curs i després ja veuré què construeixo", defineix primer un projecte propi (una extensió de MercaFresh, un dataset del teu sector, una competició de Kaggle) i matricula't només al curs que desbloquegi el teu pas següent. Un curs triat per resoldre un problema concret s'acaba; un de triat "per si de cas" s'abandona.
• Regla del 20%: si després de completar el 20% d'un curs tot et sona d'aquest, no és ampliació, és repetició: deixa'l sense culpa i busca'n un de nivell superior. Abandonar per redundància és criteri; abandonar per mandra és el problema.
• Certificats en la seva justa mesura: en ML, un repositori de GitHub amb projectes propis pesa més en una candidatura que una llista de certificats. Paga per un certificat només si el teu context laboral el valora explícitament.

• Error: matricular-se en un curs introductori "per repassar". Després de 10 mòduls, un altre curs d'introducció és procrastinació disfressada d'estudi. Entra directament al nivell intermedi.
• Error: mirar vídeos com qui mira una sèrie. Veure 40 vídeos sense obrir un editor no és estudiar. Regla: per cada hora de vídeo, almenys una hora de codi propi.
• Error: triar curs pel certificat i no pel contingut. El certificat és un subproducte, no l'objectiu.
• Consell: audita abans de pagar. A Coursera gairebé tot el contingut lectiu es pot veure gratis en mode audit; paga només quan hagis comprovat que el curs t'aporta i vulguis les tasques qualificades o el certificat.
• Consell: fes servir la velocitat de reproducció amb seny. A 1.25x-1.5x els vídeos introductoris es digereixen bé; però quan arribi una derivació matemàtica, torna a 1x i agafa paper.

Crea un compte a Coursera (si no en tens) i audita gratuïtament la primera setmana de la Machine Learning Specialization d'Andrew Ng. Compara la seva explicació del descens de gradient amb la teva intuïció actual després d'aquest curs, i decideix amb criteri: t'aporta una perspectiva nova o hi apliques la regla del 20%?

Completa de principi a fi el microcurs Intermediate Machine Learning de Kaggle Learn (3-4 hores). Objectiu doble: repassar pipelines i validació (mòduls 3 i 6) en un entorn nou, i familiaritzar-te amb els notebooks de Kaggle, que faràs servir a la propera lliçó.

Defineix per escrit un projecte propi (per exemple: "predir la demanda setmanal de fruites de MercaFresh" o alguna cosa del teu sector) i, a partir d'ell, tria UN sol curs de la taula que desbloquegi aquest projecte. Escriu un pla de 12 setmanes que alterni setmanes de curs i setmanes de projecte.

Exercici 1 (orientativa): l'habitual després d'aquest curs és una posició intermèdia: els conceptes et sonaran (regressió, cost, gradient), però veure'ls implementats des de zero en Python, sense scikit-learn, aporta una comprensió nova. Si és el teu cas, el curs passa el filtre: és "una altra perspectiva", no repetició. Si de debò tot et resulta trivial, salta a la Deep Learning Specialization o a CS229.

Exercici 2 (orientativa): hauries de poder completar-lo amb fluïdesa; els apartats de pipelines, validació creuada i XGBoost són repàs directe dels mòduls 3, 6 i 7. El valor afegit és als apartats de data leakage (que connecta amb el que vam veure a 06-05 sobre errors d'avaluació) i a agafar soltesa amb la interfície de notebooks de Kaggle.

Exercici 3 (orientativa): un pla raonable per a l'exemple de demanda setmanal: setmanes 1-2, exploració de dades i baseline amb el que ja saps; setmanes 3-6, microcurs Time Series de Kaggle Learn (triat perquè les sèries temporals són justament el que aquest curs no va cobrir i el projecte exigeix); setmanes 7-10, aplicar el que has après al projecte; setmanes 11-12, avaluació honesta i documentació a GitHub. Fixa't en el criteri: el curs entra al pla perquè el projecte ho demana, no a l'inrevés.

Els cursos en línia són un complement poderós si es trien amb criteri: les especialitzacions d'Andrew Ng per consolidar fonaments amb la millor didàctica en vídeo, fast.ai per al deep learning pràctic, Kaggle Learn per a píndoles aplicades, la documentació de scikit-learn com a referència permanent i CS229/MIT OCW quan busquis rigor matemàtic. L'estratègia importa més que el catàleg: un curs alhora, triat perquè el teu projecte el necessita, i codi propi per cada hora de vídeo. Però estudiar sol té un límit: tard o d'hora necessitaràs preguntar, comparar i aprendre dels altres. D'això tracta la lliçó següent: les comunitats i fòrums on viuen els practicants d'aprenentatge automàtic.