Tomamos decisiones basadas en datos, no en suposiciones
Desde 2024, ayudamos a profesionales y empresas a entender patrones reales en criptomonedas usando aprendizaje automático. Sin promesas vacías, sin especulación ciega.
Trabajamos con datos históricos, modelos probados y lógica verificable. Cada conclusión tiene fundamento técnico.
¿Cómo empezó todo esto?
Un analista cuantitativo, una científica de datos y un desarrollador se dieron cuenta de algo obvio: había demasiado ruido en el mercado cripto.
Las herramientas existentes ofrecían gráficos bonitos pero poco análisis profundo. Los cursos prometían rentabilidad inmediata sin explicar los fundamentos matemáticos. Faltaba rigor técnico en un sector que lo necesitaba desesperadamente.
Decidimos construir algo distinto. Un sistema educativo donde cada técnica de machine learning se explica con casos reales, datos concretos y código funcional. Nada de teoría abstracta. Cada taller incluye conjuntos de datos verificables y resultados reproducibles.
Nuestros estudiantes aprenden a validar modelos, interpretar métricas de rendimiento y reconocer cuándo un patrón es significativo o simplemente ruido aleatorio. Les enseñamos a ser escépticos con sus propias conclusiones antes de confiar en ellas.
Tomeu Llull
Director de Metodología
Trabajó 8 años en análisis cuantitativo para fondos de inversión. Diseña todos los marcos metodológicos y valida cada algoritmo que enseñamos.
Aitana Ferrer
Directora de Contenidos
Doctorado en estadística aplicada. Traduce conceptos técnicos complejos en ejercicios prácticos y comprensibles sin perder precisión matemática.
Talleres completados
Países representados
Los tres pilares que guían nuestro trabajo
Cada decisión de diseño curricular responde a estos principios. No son declaraciones aspiracionales, son límites operativos que respetamos.
Cada afirmación tiene respaldo empírico
No incluimos técnicas sin validación previa en conjuntos de datos reales. Si mencionamos un algoritmo de predicción, mostramos su desempeño en datos históricos con métricas estándar: precisión, recall, AUC-ROC.
Mostramos limitaciones antes que ventajas
Cada módulo comienza explicando qué problemas no resuelve el enfoque presentado. Los estudiantes aprenden cuándo un modelo es inadecuado antes de aprender a implementarlo.
Todo código funciona en tu entorno local
Proporcionamos notebooks completos con dependencias específicas y datasets descargables. Si algo no se ejecuta correctamente, es un error nuestro que corregimos.
