docs: aclarar qué aporta cada fuente al currículo

README.md

@@ -32,7 +32,17 @@
 
 ---
 
-Integra currículo modular extenso, laboratorio interactivo local, portal del alumno, app de escritorio nativa para Windows y app Android. La pauta se deriva de *Hands-On Machine Learning* (Géron, 3ª ed.), *Python Data Science Handbook* (VanderPlas), *Designing ML Systems* (Huyen), *ISLP* (James et al) y *Fairness and ML* (Barocas/Hardt/Narayanan).
+Integra currículo modular extenso, laboratorio interactivo local, portal del alumno, app de escritorio nativa para Windows y app Android.
+
+📖 **¿Qué significa "pauta derivada"?** Cada parte del temario sigue explícitamente la secuencia y los énfasis de cinco libros referentes:
+
+- 🧠 **Géron** ([*Hands-On ML*, 3ª ed.](https://www.oreilly.com/library/view/hands-on-machine-learning/9781098125967/)) → estructura de las partes 1 (ML clásico) y 2 (Deep Learning)
+- 📊 **VanderPlas** ([*Python Data Science Handbook*](https://jakevdp.github.io/PythonDataScienceHandbook/)) → parte 0 (NumPy, pandas, matplotlib)
+- 🏭 **Huyen** ([*Designing ML Systems*](https://www.oreilly.com/library/view/designing-machine-learning/9781098107956/)) → parte 4 (MLOps en producción)
+- 📈 **ISLP** ([*Statistical Learning with Python*](https://www.statlearning.com/)) → parte 3 (estadística inferencial) + rigor matemático de la parte 1
+- ⚖️ **Barocas/Hardt/Narayanan** ([*Fairness and ML*](https://fairmlbook.org/)) → parte 7 (ética, fairness, privacidad)
+
+> Detalle completo (qué aporta cada uno, cómo se adapta) en [docs/syllabus.md § Fuentes y pauta](docs/syllabus.md#-fuentes-y-pauta).
 
 > 💡 **Origen y orientación del proyecto:** este repositorio nació como **muestra de habilidades técnicas y pedagógicas**, y hoy se desarrolla como **recurso personal de aprendizaje, enseñanza y mejora continua del propio producto**. Es público y abierto a cualquier persona que quiera aprender, enseñar o contribuir.
 

docs/syllabus.md

@@ -10,12 +10,28 @@
 
 </div>
 
-> 📖 Fuente: pauta derivada de *Hands-On Machine Learning* (Géron, 3ª ed.) + *Python Data Science Handbook* (VanderPlas) + *Designing ML Systems* (Huyen) + *ISLP* (James et al) + *Fairness and Machine Learning* (Barocas/Hardt/Narayanan).
+> 📖 Pauta derivada de cinco libros referentes — ver [§ Fuentes y pauta](#-fuentes-y-pauta) para qué aporta cada uno.
 >
 > 🧭 Índice navegable completo: [classes/README.md](../classes/README.md)
 
 ---
 
+## 📚 Fuentes y pauta
+
+> Cuando decimos que el currículo está *derivado* de estas fuentes, queremos decir que cada parte del temario se construyó tomando explícitamente la secuencia, los énfasis y las decisiones pedagógicas de uno o más de estos libros. No se copia contenido — se respetan sus criterios técnicos y se adaptan a notebooks, datasets y ejercicios propios.
+
+| 📘 Libro / autor | Aporte concreto al currículo |
+|---|---|
+| **🧠 Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow** — Aurélien Géron (3ª ed., O'Reilly 2022) | Espina dorsal del programa. Define la secuencia de **Parte 1 (ML clásico)** y **Parte 2 (Deep Learning)**: regresión → clasificación → ensembles → reducción dimensional → clustering → MLP → CNN → RNN → transformers → RL → despliegue. Es la referencia más práctica del mercado. |
+| **📊 Python Data Science Handbook** — Jake VanderPlas (O'Reilly, 2ª ed.) | Cubre la **Parte 0 (Prerrequisitos)**: NumPy, pandas, matplotlib, ML clásico introductorio. Su tratamiento de pandas y visualización es el estándar tácito de la comunidad Python para análisis de datos. |
+| **🏭 Designing Machine Learning Systems** — Chip Huyen (O'Reilly 2022) | Define la **Parte 4 (MLOps)** y la mentalidad de "ML como sistema de producción": ciclo de vida real, monitoreo, deriva de datos, fairness, observabilidad. Cierra la brecha entre notebook y servicio en vivo. |
+| **📈 An Introduction to Statistical Learning, Python edition (ISLP)** — James, Witten, Hastie, Tibshirani (Springer 2023) | Refuerza la **Parte 3 (Estadística inferencial)** y aporta rigor matemático a la **Parte 1**. Es el manual estándar para entender por qué los modelos funcionan, no sólo cómo entrenarlos. |
+| **⚖️ Fairness and Machine Learning** — Solon Barocas, Moritz Hardt, Arvind Narayanan (MIT Press 2023) | Funda la **Parte 7 (Ética, fairness, privacidad)**. Plantea el problema de sesgo algorítmico no como anexo moral sino como decisión técnica con métricas, definiciones formales y trade-offs documentables. |
+
+> 🎯 La cobertura de las **Partes 5 (Ingeniería de datos)**, **6 (Recomendadores)** y **8 (Capstones)** se apoya en buenas prácticas comunitarias y documentación oficial de cada herramienta (Spark, Airflow, Surprise, scikit-learn).
+
+---
+
 ## 🎯 Propósito
 
 Llevar a una persona desde cero programación hasta nivel **data scientist / ML engineer empleable** en 2026, con cobertura honesta de: