Cómo ser Machine Learning Engineer sin experiencia: camino realista

Te pasas horas mirando ofertas de Machine Learning Engineer y todas piden 2-3 años de experiencia. Sientes que estás en un bucle: sin trabajo no tienes experiencia y sin experiencia no consigues trabajo. La frustración es real. Pero el camino existe, solo que no es el que te venden los bootcamps de "consigue un trabajo de 60.000€ en 3 meses". Esta es la ruta honesta.

Qué piden de verdad en las ofertas#

Ignora los titulares. En las ofertas para puestos junior o "entry-level" (que a menudo no lo son tanto), buscan un perfil concreto. La mayoría pide un grado en Matemáticas, Estadística, Física o Ingeniería. Luego, que sepas Python bien, no solo copiar código de un tutorial. Que entiendas las bases de machine learning, no solo ejecutar un model.fit(). Y que tengas proyectos donde hayas enfrentado un problema real, con datos sucios y decisiones difíciles.

Un detalle que muchos ignoran: saber desplegar un modelo en producción, aunque sea sencillo, te diferencia de cientos de candidatos que solo saben entrenar notebooks en local. Empresas pequeñas valoran mucho que puedas tocar más partes del proceso.

Las skills en el orden correcto#

No intentes aprender todo a la vez. Este es el orden lógico, y por qué.

1. Python y matemáticas básicas.: Sin esto, todo lo demás es frágil. Necesitas entender álgebra lineal (vectores, matrices), cálculo (derivadas para el descenso de gradiente) y probabilidad (distribuciones, teorema de Bayes). No tienes que ser un matemático, pero sí entender las ideas.
2. Ciencia de datos clásica.: Pandas, NumPy, visualización con Matplotlib o Seaborn. Aprende a limpiar datos, explorarlos y sacar conclusiones. El 80% del trabajo real es esto.
3. Machine Learning supervisado y no supervisado.: Scikit-learn. Entiende regresión lineal, árboles de decisión, random forests, SVMs, k-means. No solo ejecutarlos, sino cuándo usar cada uno y por qué.
4. Profundidad en un área.: Aquí te especializas. Visión por computador (PyTorch/TensorFlow, CNNs), NLP (Transformers, Hugging Face) o datos tabulares (XGBoost, LightGBM). Elige la que más te guste y profundiza.
5. MLOps básico.: Docker, APIs (FastAPI o Flask), control de versiones con Git, orquestación sencilla con Airflow o Prefect. Saber meter un modelo en un contenedor y exponerlo ya es un gran paso.
6. SQL y bases de datos.: Fundamental. Casi todas las empresas usan SQL. Aprende a escribir consultas complejas.

Tres proyectos de portfolio que valen algo#

Un portfolio con 10 notebooks de Titanic o Iris no sirve. Necesitas proyectos que demuestren pensamiento, no solo que sabes seguir un tutorial. Aquí tienes tres ideas concretas.

Proyecto 1: Clasificador de sentimiento con datos propios. No uses un dataset limpio de Kaggle. Haz scraping de reseñas de un producto en una web (dentro de la legalidad), limpia esos datos tú mismo (quitar emojis, normalizar texto), entrena un modelo (puede ser un BERT pequeño) y despliega la API con FastAPI en un servicio gratuito como Render o Railway. Documenta los problemas que tuviste con los datos sucios.

Proyecto 2: Sistema de recomendación para un nicho. Por ejemplo, recomendación de juegos indie en Steam o de artículos de un blog técnico. Usa los datos públicos de la API de Steam. Implementa filtrado colaborativo y basado en contenido. Haz una demo interactiva con Streamlit o Gradio donde un usuario pueda ver sus recomendaciones.

Proyecto 3: Detección de anomalías en datos de series temporales. Toma datos de energía eléctrica o de tráfico web. Aplica modelos como Isolation Forest o Autoencoders para detectar picos anómalos. Visualiza los resultados en un dashboard con Plotly. Este proyecto es oro para empresas fintech o de ciberseguridad.

Certificaciones: ¿valen la pena?#

Depende. Una certificación no sustituye a un buen proyecto, pero puede ayudarte a pasar un filtro de RRHH inicial. Sé honesto contigo mismo sobre su utilidad.

• Google Professional Machine Learning Engineer: Es la más respetada. Cubre todo el ciclo de vida de un modelo en GCP. Si apuntas a empresas que usan Google Cloud, es buena inversión. Estudiar para ella te obliga a aprender MLOps.
• AWS Certified Machine Learning Specialty: Similar a la de Google, pero para el ecosistema AWS. Muy valorada en startups y empresas que usan AWS.
• Coursera / edX (deeplearning.ai, etc.): Son cursos, no certificaciones profesionales. Sirven para aprender, pero no las pongas como si fueran un título oficial. Menciona las skills que aprendiste, no el "certificado".
• Certificaciones de bootcamps intensivos: La mayoría no tienen reconocimiento en la industria. Investiga mucho antes de pagar miles de euros.

Mi consejo: haz un buen proyecto que use los mismos conceptos. Un proyecto que demuestre lo mismo que una certificación, pero tangible, siempre gana.

Estrategia para el primer empleo#

Aplicar a ciegas a 200 ofertas es perder el tiempo. Necesitas una estrategia más fina.

Apunta a roles híbridos. Busca "Data Analyst" o "Data Scientist" en empresas pequeñas donde el rol sea amplio. Allí podrás tocar machine learning real y ganar experiencia relevante para luego saltar a MLE.

Contribuye a open source. No tiene que ser el core de PyTorch. Busca proyectos de ML en GitHub con issues etiquetados como "good first issue". Arreglar un bug o mejorar la documentación cuenta. Poner esto en tu CV muestra que sabes trabajar con código real y con otros.

Haz networking real, no spam. Conecta con MLEs en LinkedIn. No les pidas trabajo. Comenta sus posts, haz preguntas específicas sobre un paper que hayan compartido. Cuando tengas un proyecto listo, pídeles feedback. La gente ayuda a quien demuestra interés genuino.

Prepara entrevistas técnicas con foco. Las entrevistas de ML suelen tener: 1) preguntas de teoría (bias-variance tradeoff, cómo funciona un transformer), 2) un coding challenge (LeetCode medio, estructuras de datos), 3) un system design de ML (cómo diseñarías un sistema de recomendación para Netflix). Practica los tres. Para encontrar ofertas junior, usa nuestro buscador de empleo en /es/jobs/ y filtra por "junior" o "entry level".

Checklist de los 6 meses#

Si empiezas desde cero, este es un plan realista. No es fácil, pero es posible si dedicas 15-20 horas por semana.

• Mes 1 y 2: Reforzar Python y matemáticas. Completar un curso como el de 3Blue1Brown para álgebra lineal. Hacer ejercicios de Pandas.
• Mes 3: Aprender scikit-learn a fondo. Hacer un proyecto pequeño de clasificación con un dataset de Kaggle, pero documentando cada decisión.
• Mes 4: Elegir tu área de profundidad (NLP, CV, etc.) y empezar tu primer proyecto de portfolio serio. El de clasificador de sentimiento es un buen inicio.
• Mes 5: Aprender lo básico de MLOps: Dockerizar tu proyecto anterior, crear una API con FastAPI. Empezar a estudiar para una certificación cloud si lo ves útil.
• Mes 6: Terminar el segundo proyecto de portfolio. Empezar a aplicar a puestos, contribuir a open source y hacer networking. Preparar entrevistas.

Usa nuestro analizador de ofertas en /es/free-jd-decoder/ para descifrar exactamente qué piden en cada oferta y adapta tu CV. Y antes de enviar, pasa tu CV por nuestro verificador de compatibilidad con ATS en /es/free-ats-checker/ para asegurarte de que no lo filtra un robot. Para seguir aprendiendo, lee más artículos sobre estrategia de carrera en /es/blog/.

Preguntas frecuentes#

¿Cuánto tiempo realista se necesita para conseguir el primer trabajo?

Depende de tu punto de partida. Con una base técnica (programación, matemáticas), 6-9 meses de estudio intensivo es razonable. Sin esa base, puede llevar 12-18 meses o más. La clave es la consistencia, no la velocidad.

¿Necesito un máster en machine learning?

No es obligatorio, pero ayuda, especialmente para roles de investigación. Para la mayoría de puestos de MLE en la industria, un buen portfolio y proyectos prácticos pueden compensar la falta de máster. Eso sí, algunas grandes tecnológicas lo siguen pidiendo.

¿Qué sueldo puedo esperar en mi primer puesto de MLE?

En España, un puesto junior puede oscilar entre 25.000€ y 38.000€ brutos anuales, dependiendo de la ciudad y la empresa. Fuera, los rangos varían mucho. Investiga los salarios reportados en las plataformas de empleo para tu zona específica.

¿Es mejor especializarme en un framework (PyTorch, TensorFlow) o saber ambos?

Al principio, domina uno. PyTorch es el estándar en investigación y startups. TensorFlow tiene más presencia en producción en algunas grandes empresas. Aprende uno en profundidad; cambiar al otro después es más fácil.

¿Cómo puedo ganar experiencia si nadie me contrata?

Contribuye a proyectos open source, haz freelance en plataformas como Upwork para proyectos pequeños de datos, o crea tu propio proyecto ambicioso y documenta el proceso en un blog. Esto cuenta como experiencia real.