Ir al contenido principal

[FORMACIÓN] Nassim Taleb y el Aprendizaje Basado en la Experiencia

Nassim Taleb y el Aprendizaje Basado en la Experiencia

Nassim Nicholas Taleb y su Rechazo a la Educación Tradicional

1. Crítica a la Educación Tradicional

Nassim Nicholas Taleb desconfía en general de los cursos, certificaciones y la educación formal cuando se trata de adquirir conocimiento práctico, no solo en Bolsa, sino en cualquier disciplina donde el riesgo, la incertidumbre y la experiencia jueguen un papel crucial.

Taleb cree que la mayoría de la educación formal genera "intelectuales idiotas", personas con títulos pero sin habilidades prácticas. Sus críticas incluyen:

  • Exceso de teoría, falta de práctica: La educación tradicional enseña modelos que no funcionan en la realidad.
  • No enseña a enfrentar la incertidumbre: La vida está llena de imprevistos (*Cisnes Negros*), y la educación formal no prepara para ellos.
  • Demasiado credencialismo: Muchas certificaciones existen solo para demostrar que tienes un diploma, no conocimiento real.

2. Enfoque Alternativo: Aprendizaje Basado en la Experiencia

Taleb propone un aprendizaje basado en la experiencia directa y la toma de riesgos. Sus principios clave incluyen:

  • Piel en el juego (Skin in the Game): Solo se aprende realmente cuando se asumen riesgos personales.
  • Autodidactismo pragmático: No depender de cursos, sino aprender con la práctica y la experimentación.
  • Desconfiar de los "expertos" sin experiencia: Respeta más a alguien con práctica que a un académico sin aplicación real.
  • Antifragilidad: No solo resistir el caos, sino beneficiarse de él, aprendiendo de los errores.

3. Aplicación de su Filosofía en Diferentes Áreas

Taleb aplica esta visión en varios ámbitos:

  • Finanzas e inversión: Aprender operando y protegiéndose contra eventos catastróficos.
  • Ciencia y medicina: Valorar el conocimiento empírico acumulado.
  • Negocios y emprendimiento: Los mejores empresarios aprenden cometiendo errores, no en MBAs.
  • Deporte y salud: La mejor manera de aprender es entrenando y experimentando con el propio cuerpo.

Conclusión

Para Taleb, los cursos y certificaciones no garantizan el conocimiento real. Lo más importante es la experiencia práctica, la toma de riesgos y la capacidad de aprender de los errores. En su visión, las mejores habilidades no se adquieren en un aula, sino enfrentando la incertidumbre y adaptándose constantemente.

Si quieres aplicar su filosofía, aprende haciendo, asume riesgos y desconfía de las teorías que no se prueban en la realidad.

Comentarios

Publicar un comentario

Entradas populares de este blog

[CIVILIZACION][MODELOS] La Civilización Hiper-Avanzada y la Escala Kardashev

La Civilización Hiper-Avanzada y la Escala Kardashev ¿Qué es la Escala Kardashev? La Escala Kardashev es un marco propuesto en 1964 por el astrofísico Nikolai Kardashev para clasificar civilizaciones según su capacidad de aprovechar energía: Tipo I: Aprovecha toda la energía disponible en su planeta (~10¹⁶ watts). Nosotros estamos en ~0,72 según Carl Sagan. Tipo II: Captura toda la energía de su estrella (por ejemplo, con una esfera de Dyson). ~10²⁶ watts. Tipo III: Controla la energía de toda su galaxia (~10³⁶ watts). Carl Sagan propuso una fórmula para grados intermedios: K = [log10(Potencia en watts) - 6] / 10 La humanidad (~1,74 × 10¹³ watts) = ~0,72 en esta escala. ¿Cómo se podría acelerar la transición a Tipo II o III si obviamos la ética? Si ignoramos la moral, la estrategia sería pragmática y extrema: Centralización extrema del poder: Unificación bajo un mando único global tecnocrático. Explotación total de recursos: Minería planetaria masiva, co...
Publicar un comentario
Leer más

[Validación Cruzada] [Machine Learning] [Evaluación de Modelos] [Ciencia de Datos] [R Programming] [Resampling] Validación Cruzada: Concepto y Técnicas Principales

Validación Cruzada: Concepto y Técnicas Principales Validación Cruzada: Concepto y Técnicas Principales La validación cruzada es un conjunto de técnicas utilizadas para evaluar la capacidad de generalización de un modelo de machine learning. Su objetivo principal es determinar cómo de bien puede el modelo desempeñarse con datos no vistos, proporcionando una evaluación más robusta y fiable en comparación con dividir los datos en un simple conjunto de entrenamiento y prueba. Principales Técnicas de Validación Cruzada 1. K-Fold Cross Validation (Validación Cruzada K-Fold) El conjunto de datos se divide en \(k\) particiones o "pliegues" de igual tamaño. El modelo se entrena \(k\) veces: en cada iteración, un pliegue diferente se utiliza como conjunto de prueba y los \(k-1\) pliegues restantes como conjunto de entrenamiento. La métrica final (por ejemplo, precisión, F1, etc.) se c...
Publicar un comentario
Leer más

Encontré 42 GB de modelos de IA fosilizados en mi PC: una puesta al día honesta sobre IA local, conceptos y entornos Python en 2026

Hace tiempo que no tocaba nada de IA en mi PC, y al echar un ojo descubrí varios programas que no recordaba para qué eran y, sobre todo, modelos de hace año y medio acumulando polvo en el disco. Lo que empezó como una limpieza acabó siendo una puesta al día completa: Ollama, conceptos fundamentales, mapa del ecosistema, comparativas, y un setup de Python desde cero. Lo dejo aquí ordenado por si a alguien le sirve. 1. El punto de partida: 42 GB de modelos zombi Lo primero que encontré fue Ollama corriendo en segundo plano (ese icono pequeño en la barra de tareas que llevaba meses sin tocar). Un ollama list reveló cinco modelos descargados hacía 18 meses, ocupando casi 42 GB: llama-3-8B-programming-questions — 16 GB SuperNova-Medius-Q8_0 — 15 GB uncensored_wizard_7b — 4.1 GB llama3.2 — 2 GB llama3.1 — 4.7 GB En el mundo de la IA, 18 meses son una eternidad. Han salido Llama 3.3 y 4, Qwen 2.5 y 3, DeepSeek-V3 y R1, Gemma 3 y 4, gpt-oss... cualquiera de los nu...
Publicar un comentario
Leer más