¡Inicia pronto!
Este curso de Machine Learning con Scikit-Learn guía paso a paso desde los fundamentos hasta la construcción de modelos listos para producción. Comienza con una introducción clara a los conceptos de aprendizaje supervisado y no supervisado, el uso de datasets y la exploración de datos. Luego profundiza en las técnicas de preparación y transformación de variables, validación y evaluación de modelos, para dar paso a los algoritmos clásicos de regresión, clasificación y clustering. Finalmente, se integran estos conocimientos con pipelines y persistencia de modelos, mostrando cómo llevar el flujo completo de Machine Learning a un entorno práctico y reproducible.
Sección 1: Fundamentos del Machine Learning
-
Introducción al Machine Learning
Conceptos de aprendizaje supervisado y no supervisado, generalización, idea de dataset. -
Primer modelo en Scikit-Learn
Flujofit → predict → scorecon un dataset simple. -
Exploración y datasets
Cómo cargar datasets de scikit-learn (iris,digits,make_blobs) y externos (CSV, TXT). -
Overfitting y underfitting
Ejemplos visuales con regresión polinómica.
Sección 2: Preparación de Datos
-
Simple Imputer (valores faltantes).
-
Escalamiento de números (normalización, estandarización).
-
Discretización (binning de variables continuas).
-
Codificación de categorías (one-hot, ordinal).
-
DictVectorizer (estructuras tipo diccionario → matriz).
-
Feature Hashing (hashing trick para variables categóricas).
-
Trabajando con texto (vectorización de texto, Bag of Words, TF-IDF).
Sección 3: Validación y Métricas
-
Train-Test Split (particiones simples).
-
Cross-Validation (validación cruzada).
-
Hyper-parameter Tuning (GridSearchCV, RandomizedSearchCV).
-
Metrics (clasificación, regresión, métricas especiales).
-
Visualizaciones (curvas ROC, learning curves, etc.).
Sección 4: Modelos Supervisados
-
Regresión Lineal
-
Ridge y Lasso (regularización).
-
Regresión Logística (clasificación binaria).
-
Support Vector Classifier (SVC).
-
Random Forest (clasificación y regresión).
-
Nearest Neighbors (KNN).
Sección 5: Modelos No Supervisados
-
KMeans (clustering).
-
DBSCAN (clustering basado en densidad).
-
Principal Component Analysis (PCA) (reducción de dimensionalidad).
Sección 6: Integración y Producción
-
Pipelines (transformers + estimators).
-
Pipelines – Parte 2 (composición más compleja).
-
Persistencia de modelos (
joblib,pickle).
¿A quién va dirigido este curso?
Este curso está diseñado para programadores que deseen fortalecer sus habilidades en análisis de grandes volúmenes de datos, incluyendo estudiantes que buscan una carrera en el campo, profesionales de diversas áreas (como tecnología, finanzas, marketing o salud) que deseen mejorar sus habilidades analíticas y de toma de decisiones, e incluso expertos que quieran especializarse en el uso del Big Data para predicciones y la optimización de procesos empresariales.
Requisitos
Conocimientos básicos de lenguajes de programación (como Python) y Cuadernos Jupyter, serán muy beneficiosos para seguir el ritmo del curso.
No es un curso para principiantes absolutos. Se espera que los participantes tengan familiaridad con conceptos de programación como variables, bucles y estructuras de control.
Es para ti si...
Ya eres un programador o analista de datos de nivel básico a intermedio que busca dominar la Ciencia de Datos y el Machine Learning.
Buscas profundizar tus conocimientos en estructuras de datos, algoritmos y técnicas de manipulación de datos con Python y modelos especializados.
El curso te proporcionará las herramientas necesarias para enfrentar desafíos de análisis complejos y preparar tus habilidades para entornos profesionales donde se requieran cálculos avanzados con Machine Learning
Recursos de aprendizaje:
- Lecciones descargables en PDF.
- Videos y referencias externas.
- Quizzes de comprobación de aprendizaje.
- Certificado descargable en PDF.
- Acceso de por vida al curso.
$19
Construyendo Aplicaciones de IA con LangChain
En los últimos años, la Inteligencia Artificial (IA) ha pasado de ser un concepto futurista a convertirse en una herramienta cotidiana y estratégica para empresas, instituciones y gobiernos. Los modelos de lenguaje de gran escala (LLMs), como GPT, han impulsado una revolución en la forma en que interactuamos con la información, automatizamos procesos y creamos soluciones digitales. Su capacidad para comprender, generar y razonar en lenguaje natural abre posibilidades antes inimaginables, acelerando la innovación en áreas como atención al cliente, análisis de datos, educación, investigación y creación de contenido. Este avance ha motivado una adopción sin precedentes, donde organizaciones de todos los tamaños integran IA para optimizar operaciones y ganar ventaja competitiva.
En este contexto surge LangChain, un framework diseñado para simplificar y potenciar el desarrollo de aplicaciones impulsadas por LLMs. LangChain ofrece una arquitectura modular que facilita conectar modelos de lenguaje con datos, APIs y flujos de trabajo, permitiendo crear asistentes inteligentes, sistemas de análisis avanzado o agentes autónomos de manera más ágil y escalable. Su enfoque “construir haciendo” lo convierte en una herramienta ideal para desarrolladores y profesionales que buscan prototipar rápido, integrar múltiples fuentes de información y desplegar soluciones listas para producción. En un mundo donde la adopción de IA crece de forma exponencial, dominar frameworks como LangChain no es solo una ventaja: es una necesidad para liderar la próxima ola de innovación.
Objetivo final: Desarrollar una aplicación que consulte un modelo de lenguaje personalizable, integre RAG con documentos y bases de datos, y pueda hacer consultas web.
📚 Contenido del curso
Módulo 1 – Fundamentos de la IA con LLMs
-
Qué son y cómo funcionan los LLMs
-
Breve historia y estado actual de la IA generativa.
-
Ejemplos reales de uso en empresas y gobiernos.
-
-
Ecosistema y frameworks
-
¿Por qué LangChain? Casos de uso y ventajas.
-
Alternativas y complementos: LlamaIndex, Haystack.
-
Mini práctica: ejecutar tu primera llamada a un LLM (ej. OpenAI o modelo local).
Módulo 2 – Primeros pasos con LangChain
-
Instalación y configuración rápida.
-
Conceptos clave: Chains, Prompts, Tools, Agents.
-
Conectar un modelo: GPT, LLaMA o similar.
Mini práctica: crear un asistente simple que responda a preguntas personalizadas.
Módulo 3 – Construyendo herramientas personalizadas
-
¿Qué es una Tool en LangChain y para qué sirve?
-
Crear una herramienta personalizada para un caso práctico.
Mini práctica: agregar una herramienta que realice operaciones simples (ej. cálculo o búsqueda interna).
Módulo 4 – Integrando RAG (Retrieval-Augmented Generation)
-
Concepto y ventajas de RAG.
-
Ingesta y vectorización de documentos.
-
Uso de VectorStores (ej. Chroma, FAISS) y Retrievers.
Mini práctica: crear un chatbot que consulte documentos propios.
Módulo 5 – Conectando a bases de datos y la web
-
Consulta y lectura de datos desde una base SQL o NoSQL.
-
Uso de herramientas de búsqueda web en LangChain.
Mini práctica: permitir que el modelo responda usando datos en vivo de la web y la BD.
Módulo 6 – Proyecto final
Objetivo: Construir una aplicación que:
-
Use un modelo de lenguaje personalizable.
-
Integre RAG con documentos propios.
-
Consulte datos en una base de datos.
-
Obtenga información actualizada desde la web.
Entrega:
-
Código del proyecto.
-
Breve demo funcional (local o en la nube).
¿A quién va dirigido este curso?
Este curso está diseñado para programadores que deseen fortalecer sus habilidades en Python, aprovechando su experiencia previa para construir una base sólida.
Requisitos
Conocimientos básicos de lenguajes de programación, como Python,JavaScript y Git, serán muy beneficiosos para seguir el ritmo del curso.
No es un curso para principiantes absolutos. Se espera que los participantes tengan familiaridad con conceptos de programación como variables, bucles y estructuras de control.
Es para ti si...
Ya eres un programador de nivel básico a intermedio que busca dominar Python.
Buscas profundizar tus conocimientos en estructuras de datos, algoritmos y técnicas de manipulación de datos con Python.
El curso te proporcionará las herramientas necesarias para enfrentar desafíos de programación más complejos y preparar tus habilidades para entornos profesionales.
Recursos de aprendizaje:
- Lecciones descargables en PDF.
- Videos y referencias externas.
- Quizzes de comprobación de aprendizaje.
- Certificado descargable en PDF.
- Acceso de por vida al curso.
Costo Introductorio $19
Machine Learning: Aprendizaje Automático Simplificado
Comenzaremos con una introducción al aprendizaje automático, donde exploraremos los conceptos básicos y las diferencias fundamentales entre el aprendizaje supervisado, no supervisado, y de refuerzo. Este conocimiento base nos permitirá entender cómo las máquinas aprenden de los datos para tomar decisiones o hacer predicciones.
Seguidamente, nos adentraremos en las librerías esenciales de Python para Machine Learning, tales como NumPy, pandas, Matplotlib, Scikit-learn, entre otras. Estas herramientas son cruciales para el manejo de datos, la visualización y la construcción de modelos de aprendizaje automático. Les enseñaremos cómo utilizar estas librerías para manipular datos y crear modelos predictivos eficientes.
A medida que avanzamos, profundizaremos en los componentes del aprendizaje automático y los pasos principales en el proceso de aprendizaje automático. Esto incluye la definición de problemas, la construcción de un conjunto de datos, el entrenamiento de modelos, el aprendizaje ampliado, y la inferencia del modelo. Cada uno de estos pasos es vital para el éxito de cualquier proyecto de ML, y les proporcionaremos las habilidades necesarias para navegar por ellos con confianza.
Además, abordaremos la importancia de Kaggle como plataforma para practicar y aplicar sus habilidades en Machine Learning a través de competiciones y conjuntos de datos reales. Les mostraremos las características generales de Kaggle y cómo pueden usarlo para mejorar sus habilidades y construir un portafolio impresionante.
Por último, pero no menos importante, aplicaremos todo lo aprendido en dos proyectos prácticos. El primero se centrará en el Iris Dataset, donde practicarán la clasificación de especies de plantas basándose en medidas morfológicas. El segundo proyecto nos llevará a través del famoso Titanic Dataset, donde trabajaremos en predecir la supervivencia de los pasajeros, un desafío clásico en el aprendizaje de máquina.
Al final de este curso, estarán equipados con el conocimiento y las habilidades prácticas para abordar problemas de aprendizaje automático y llevar a cabo sus propios proyectos. Estamos emocionados de comenzar este viaje de aprendizaje con ustedes. ¡Bienvenidos a bordo!
Temario:
- Introducción al aprendizaje automático
- Librerías Esenciales de Python para Machine Learning
- Componentes del aprendizaje automático
- Pasos principales en el proceso de aprendizaje automático
- Definición de problemas
- Construyendo un conjunto de datos
- Entrenamiento de modelado
- Aprendizaje ampliado
- Inferencia del modelo
- Kaggle: Características generales
- Proyecto 1: Iris Dataset
- Proyecto 2: Titanic - Machine Learning from Disaster
Requisitos Previos:
Para asegurarte que como participantes puedas aprovechar al máximo el curso "Machine Learning: Aprendizaje Automático Simplificado", es importante que puedas cumplir con algunos requisitos básicos. Estos criterios no solo te ayudará a seguir el ritmo del curso, sino también a comprender mejor los conceptos y aplicar las técnicas aprendidas de manera efectiva. Los requisitos básicos para cursarlo son:
Conocimientos previos de programación: Es fundamental tener una comprensión básica de programación, preferiblemente en Python, ya que es el lenguaje más utilizado en el campo del aprendizaje automático. Esto incluye familiaridad con conceptos de programación como variables, bucles, funciones, estructuras de datos básicas (listas, diccionarios) y manejo de archivos.
Comprensión básica de matemáticas y estadística: Aunque el curso está diseñado para ser accesible, tener una base en álgebra, cálculo y estadística básica es crucial para entender los algoritmos de aprendizaje automático y cómo funcionan. Conceptos como arreglos (arrays), medias y medianas, probabilidad y distribuciones son frecuentemente utilizados.
Capacidad para instalar software: Los estudiantes necesitarán tener acceso a una computadora donde puedan instalar el software necesario, como Python y varias librerías de aprendizaje automático (por ejemplo, NumPy, pandas, Matplotlib, Scikit-learn, TensorFlow). Esto implica tener permisos de administrador en la máquina o contar con el apoyo de un administrador de sistemas.
Habilidades básicas de manejo de datos: Dado que el aprendizaje automático involucra trabajar con grandes volúmenes de datos, es útil tener conocimientos sobre cómo manejar, procesar y visualizar datos. Aunque estos temas se cubrirán en el curso, una comprensión básica previa puede ser muy beneficiosa.
Motivación y tiempo para aprender: El aprendizaje automático es un campo amplio y en constante evolución. Los estudiantes deben estar motivados para seguir aprendiendo fuera de las lecciones y dedicar tiempo suficiente para practicar y experimentar con los conceptos y técnicas enseñados.
Conexión a Internet: Ya que el curso puede incluir recursos en línea, ejercicios prácticos en plataformas como Kaggle, y descarga de conjuntos de datos y software, es necesario tener una conexión a Internet estable.
Cumplir con estos requisitos básicos permitirá a los estudiantes navegar por el curso con mayor facilidad y éxito, aprovechando al máximo las oportunidades de aprendizaje que ofrece el campo del aprendizaje automático.
¿Quién puede participar en este curso?:
"Machine Learning: Aprendizaje Automático Simplificado" está diseñado para atraer a una amplia gama de participantes con diferentes niveles de experiencia y antecedentes.
Principiantes en tecnología: Personas que tienen interés en entrar en el campo de la ciencia de datos y el aprendizaje automático, pero que tal vez no tengan una base sólida en programación o matemáticas. El curso está diseñado para ser accesible y proporcionar los fundamentos necesarios.
Profesionales de TI: Desarrolladores de software, ingenieros de sistemas y profesionales de TI que buscan expandir sus habilidades hacia el aprendizaje automático. Este curso les permitirá agregar valor a sus roles actuales o explorar nuevas oportunidades de carrera en el ámbito de la inteligencia artificial.
Estudiantes de ciencia y ingeniería: Alumnos de pregrado o posgrado en campos como ciencias de la computación, matemáticas, estadística, ingeniería y áreas relacionadas que deseen complementar su educación formal con habilidades prácticas en aprendizaje automático.
Analistas de datos y científicos de datos: Profesionales que ya trabajan con datos y desean profundizar sus conocimientos en técnicas avanzadas de modelado y aprendizaje automático para mejorar su análisis y capacidad de predicción.
Emprendedores y líderes de negocio: Personas interesadas en comprender cómo el aprendizaje automático puede ser aplicado para resolver problemas reales en la industria, optimizar procesos, mejorar la toma de decisiones y crear nuevas oportunidades de negocio.
Educadores y académicos: Docentes y académicos que deseen actualizarse sobre las últimas tendencias y tecnologías en el campo del aprendizaje automático para incorporar estos conocimientos en sus programas educativos o investigaciones.
Aficionados a la tecnología: Individuos con una pasión por la tecnología y la innovación que buscan entender cómo el aprendizaje automático está transformando el mundo, incluso si no tienen intención de convertirse en expertos en el campo.
Este curso es ideal para cualquiera que desee comprender los principios básicos del aprendizaje automático, aprender a aplicar técnicas de ML utilizando Python, y adquirir habilidades prácticas a través de proyectos y ejemplos reales.
Recursos de aprendizaje:
- Lecciones descargables en PDF.
- Videos y referencias externas.
- Quizzes de comprobación de aprendizaje.
- Certificado descargable en PDF.
- Acceso de por vida al curso.