Convertirse en Machine Learning Engineer no es un camino de un solo salto: es una secuencia de capas que se apilan, donde saltearse una hace que las siguientes no se sostengan. Esta ruta ordena esas capas en cinco etapas, con qué aprender en cada una, qué construir para demostrarlo y cuánto tiempo lleva de forma realista.

El rol vale la pena el esfuerzo: según el Future of Jobs Report 2025 del World Economic Forum, los especialistas en IA y machine learning están entre los tres perfiles de mayor crecimiento proyectado del mercado laboral global, con una expansión estimada del 82% hacia 2030.

Qué hace realmente un Machine Learning Engineer

Antes de la ruta, una aclaración que evita meses perdidos: un ML Engineer no es un investigador de IA ni es un data scientist. La diferencia está en el producto final.

El ML Engineer es, ante todo, un ingeniero de software que trabaja con modelos. Esa es la mentalidad que ordena toda la ruta que sigue.

Etapa 1: Fundamentos de programación y datos (2 a 4 meses)

Esta es la capa que más gente saltea y la que más problemas causa después.

• Python a nivel sólido: no "sé la sintaxis", sino estructuras de datos, funciones, clases, manejo de errores, entornos virtuales y librerías estándar.

• SQL: joins, agregaciones, subconsultas y funciones de ventana. Los datos de entrenamiento casi siempre salen de una base de datos.

• Git y control de versiones: ramas, pull requests, resolución de conflictos.

• Manipulación de datos: pandas y NumPy hasta poder limpiar un dataset sucio sin buscar cada paso.

• Línea de comandos y entornos: moverse en una terminal, instalar dependencias, entender rutas y permisos.

Qué construir en esta etapa: un pipeline que tome datos de una API pública, los limpie, los guarde en una base de datos y genere un reporte automatizado. Sin modelos todavía.

Etapa 2: Matemática aplicada, en la dosis justa (1 a 3 meses, en paralelo)

No necesitás una licenciatura en matemática, pero sí entender qué hace un modelo por dentro para poder diagnosticar cuando falla.

• Álgebra lineal: vectores, matrices, multiplicación matricial. Es el lenguaje en el que están escritos los modelos.

• Estadística y probabilidad: distribuciones, correlación versus causalidad, sesgo y varianza, significancia.

• Cálculo básico: derivadas y gradientes, lo suficiente para entender por qué funciona el descenso de gradiente.

Estudiala en paralelo con la etapa 3, no antes. Aprender matemática sin aplicarla a un modelo concreto es la forma más rápida de abandonar.

Etapa 3: Machine learning clásico (3 a 5 meses)

Acá aparecen los modelos, y conviene empezar por los que se usan más en producción, no por los más llamativos.

• Aprendizaje supervisado: regresión lineal y logística, árboles de decisión, random forest, gradient boosting.

• Aprendizaje no supervisado: clustering, reducción de dimensionalidad.

• Evaluación de modelos: validación cruzada, matriz de confusión, precision, recall, F1, ROC-AUC. Saber elegir la métrica correcta según el problema.

• Ingeniería de features: normalización, codificación de variables categóricas, tratamiento de valores faltantes y desbalance de clases.

• Sobreajuste y regularización: por qué un modelo con 99% de accuracy en entrenamiento puede ser inservible.

Qué construir: un modelo de clasificación o regresión sobre un dataset real, con todo el ciclo documentado: exploración, limpieza, entrenamiento, evaluación y análisis de errores. El análisis de errores es lo que diferencia un proyecto de portfolio serio de uno decorativo.

Etapa 4: Deep learning y modelos de lenguaje (3 a 5 meses)

Recién en este punto tiene sentido meterse con redes neuronales. Vale la aclaración porque es la etapa donde más gente entra directo, y la Stack Overflow Developer Survey 2025 muestra un dato relevante para entender por qué eso falla: la confianza de los desarrolladores en los resultados que producen las herramientas de IA viene bajando, justamente porque el criterio para evaluarlos exige fundamentos que no se adquieren empezando por acá.

• Redes neuronales: capas, funciones de activación, backpropagation, optimizadores.

• Un framework: PyTorch o TensorFlow. Elegí uno y dominalo antes de mirar el otro.

• Arquitecturas según dominio: convolucionales para visión, transformers para texto.

• Transfer learning y fine-tuning: en la práctica profesional casi nunca se entrena desde cero.

• Trabajo con LLMs: embeddings, RAG, prompting estructurado, evaluación de salidas. Es hoy una parte central del rol, no un complemento.

Qué construir: una aplicación con un modelo de lenguaje que resuelva un problema concreto y tenga alguna forma de evaluación automática de la calidad de las respuestas.

Etapa 5: MLOps y producción (2 a 4 meses)

Esta es la etapa que convierte a un entusiasta del machine learning en un ML Engineer contratable, y la que más candidatos ignoran.

• Contenedores: Docker para empaquetar el modelo y sus dependencias.

• APIs de inferencia: exponer el modelo como un servicio con FastAPI o equivalente.

• Cloud: almacenamiento, cómputo y servicios gestionados de ML en al menos un proveedor.

• Versionado de modelos y experimentos: reproducibilidad, seguimiento de métricas entre corridas.

• Monitoreo: detección de deriva de datos, degradación de performance y reentrenamiento.

• CI/CD: tests automáticos y despliegue sin intervención manual.

La infraestructura de esta etapa se solapa fuertemente con la de un perfil de DevOps y Cloud, y no es casualidad: buena parte del trabajo diario de un ML Engineer sucede en ese terreno. Si querés ver la contracara de este recorrido desde el lado de la infraestructura, esta ruta para convertirse en Cloud Engineer cubre ese territorio en detalle.

Qué construir: tomá el modelo de la etapa 3 o 4 y llevalo a producción completo: contenedor, API, despliegue en la nube, monitoreo básico y pipeline de reentrenamiento. Un solo proyecto así vale más en una entrevista que cinco notebooks sueltos.

Cuánto tiempo lleva en total

Son estimaciones para llegar a un nivel contratable de entrada, no a dominio experto. La curva no es lineal: las etapas 1 y 5 suelen avanzar más rápido de lo esperado y la 3 más lento.

Los tres errores más caros de esta ruta

1. Empezar por deep learning. Es lo más atractivo y lo menos útil sin fundamentos. Un modelo de gradient boosting bien evaluado resuelve más problemas reales que una red neuronal mal entendida.

2. Acumular cursos sin construir nada. Diez certificados sin un proyecto desplegado pesan menos, en una entrevista, que un proyecto en producción con su documentación.

3. Ignorar la parte de ingeniería. La mayoría de los modelos que nunca llegan a producción se caen por razones de infraestructura, no de modelado.

Formaciones de Coderhouse para recorrer esta ruta

Tres opciones que cubren distintos tramos del recorrido, según dónde estés parado:

• Curso de Introducción a la Inteligencia Artificial (nivel inicial, 6 semanas): si estás arrancando la etapa 1 y querés entender el panorama completo antes de elegir una especialización.

• Curso de AI Engineering (nivel avanzado, 6 semanas): apunta directamente a las etapas 4 y 5, que es donde se define si te contratan como ML Engineer o te quedás en analista.

• Diplomatura en Data Science (15 meses aproximadamente): el recorrido largo y completo, con clases diarias en vivo, comisiones reducidas y garantía de empleabilidad, para quien quiere hacer toda la transición con acompañamiento.

Si además querés cubrir la capa de infraestructura de la etapa 5, el Curso de DevOps & Cloud (nivel avanzado, 7 semanas) es el complemento más directo.

Preguntas frecuentes

¿Cuánto tiempo lleva convertirse en Machine Learning Engineer desde cero?

Entre 18 y 24 meses con una dedicación de 15 a 20 horas semanales, o entre 10 y 14 meses con dedicación completa. Si ya venís de programación o de análisis de datos, el recorrido se acorta a entre 6 y 12 meses porque las primeras etapas ya están cubiertas.

¿Necesito saber matemática avanzada para ser ML Engineer?

Necesitás álgebra lineal, estadística y nociones de cálculo, no matemática de nivel investigación. El objetivo es poder diagnosticar por qué un modelo se comporta como se comporta. Estudiarla en paralelo con los modelos, y no como requisito previo, es lo que hace la diferencia entre avanzar y abandonar.

¿Cuál es la diferencia entre Machine Learning Engineer y Data Scientist?

El data scientist entrega análisis y modelos experimentales que responden preguntas del negocio. El ML Engineer entrega modelos funcionando en producción, escalables y monitoreados. Se solapan en la parte de modelado, pero el ML Engineer carga con la mitad de ingeniería de software y de infraestructura.

¿Sirve un portfolio de notebooks para conseguir trabajo como ML Engineer?

Sirve poco por sí solo. Un notebook demuestra que sabés entrenar un modelo, pero el rol se trata de llevarlo a producción. Un único proyecto con contenedor, API, despliegue y monitoreo básico tiene más peso en una entrevista que una colección de notebooks bien hechos.

¿Conviene especializarse en LLMs o en machine learning clásico?

Conviene tener ambos, y en ese orden. El machine learning clásico sigue resolviendo la mayoría de los problemas tabulares de las empresas y enseña los fundamentos de evaluación que después se aplican a todo. Los LLMs son hoy indispensables en el rol, pero se aprovechan mucho mejor con esas bases ya construidas.