Curso completo de Machine Learning: Data Science en Python

Name: Curso completo de Machine Learning: Data Science en Python
Rating: 4.7 (180 reviews)

Aprende los algoritmos de Machine Learning con Python para convertirte en un Data Scientist y descarga todo el código

Bestseller

Highest Rated

Created byJuan Gabriel Gomila Salas

Last updated 5/2026

Spanish

What you'll learn

Convertirte en un experto en Machine Learning con Python.
Desarrollar modelos de Machine Learning robustos y efectivos.
Aplicar técnicas de Machine Learning tanto para proyectos personales como para asesorar a empresas.
Desarrollar una sólida intuición sobre la mayoría de los modelos de Machine Learning.
Realizar análisis poderosos y precisos.
Implementar técnicas avanzadas para la reducción de la dimensionalidad.
Identificar el modelo de Machine Learning más adecuado para cada tipo de problema.
Construir y combinar múltiples modelos de ML para resolver cualquier desafío.
Realizar predicciones precisas y confiables.

Course content

17 sections • 222 lectures • 45h 38m total length

Bienvenidos al curso de Python6:53
El Repositorio GitHub del Curso6:31
NOTA: Actualización a Python 3.11.4: Tu Curso en la Última Versión1:00
Las 5 Etapas del Análisis de Datos13:10

Data Cleaning4:40
El Concepto de Data Frame9:23
El Repositorio Git del Curso5:28
¿Qué Hago si no me Autocompleta Jupyter?0:11
Leer Datos Procedentes de un CSV13:50
Los Parámetros de la Función read_csv17:26
Acerca de las Barras en Windows0:20
Ejemplos de Diferentes Cargas de Datos con read_csv14:58
El Método open para la Carga Manual de Datos14:40
Cuidado con el método Open0:24
Leer y Escribir en un Fichero con Python7:56
La Carga de Datos desde una Hoja de Cálculo8:35
Las Funciones Básicas de Resumen, Estructura, Dimensiones y Cabecera16:45
¿Por qué Faltan Valores en los Datasets?13:53
Qué Hacer cuando Faltan Valores en el Dataset18:24
Las Variables Dummy13:18
Visualización Básica de un Dataset: el Scatterplot15:35
Visualización Básica de un Dataset: el Histograma de Frecuencias9:45
Visualización Básica de un Dataset: el Boxplot12:58

Data Wrangling7:30
Fe de Erratas0:21
Buscar un Subconjunto de Datos de un Dataset19:54
Subconjuntos de Filas con ciertas Condiciones18:12
Subconjuntos con loc e iloc y Creación de Nuevas Columnas16:33
Generar Números Aleatorios19:45
La Semilla de la Generación Aleatoria5:06
Funciones de Distribución de Probabilidad5:41
La Distribución Uniforme8:59
La Distribución Normal15:10
El Método de la Simulación de Monte-Carlo para Encontrar el Valor de Pi21:56
Generando Dummy Data Frames10:51
Un Dummy Data Frame con Variables Categóricas12:05
Agrupación de los Datos por Categorías8:13
Agregación de Datos11:22
Filtrado, Transformación y Otras Operaciones Útiles14:40
Conjunto de Entrenamiento y de Testing5:49
Actualización: dividir training y testing0:16
Muestreo Aleatorio: Cómo Dividir un Dataset en Conjunto de Entreno y Validación13:30
Concatenar Dos Datasets por Filas17:19
Carga de Cientos de Datos Distribuidos23:18
Ejercicio: el Dataset de los Juegos Olímpicos19:57
Concatenar los Datos con merge13:47
Formas de Cruzar Tablas con Joins14:26
Formas de Cruzar Tablas con Joins13:01
Ejemplos de Joins con Python16:41
Ya Conoces las Bases del Manejo de Datos4:00

La Regresión Lineal6:24
Las Matemáticas tras una Regresión Lineal10:18
Errores Normalmente Distribuidos2:24
Sumas de los Cuadrados Totales, de las Diferencias y de la Regresión32:22
Encontrando los Coeficientes Óptimos de la Regresión14:42
Interpretar los Parámetros de la Regresión14:51
Implementar una Regresión Lineal con Python20:49
Regresión Lineal Múltiple23:13
El Problema de la Multicolinealidad12:13
Validando nuestro Modelo14:54
El Resumen de Todos los Modelos Lineales Creados6:11
Regresión Lineal con scikit-learn11:46
Modelos Lineales con Variables Categóricas6:13
Variables Categóricas en una Regresión Lineal27:43
Enmascarado de Variables Categóricas Redundantes16:05
Transformar las Variables en Relaciones no Lineales33:22
El Problema de los Outliers16:38
Otros Problemas y Consideraciones de la Regresión Lineal11:17
Un Resumen de la Regresión Lineal5:49

La Regresión Logística3:22
Regresión Lineal vs Regresión Logística7:26
Las Matemáticas detrás de la Regresión Logística11:01
Probabilidades Condicionadas13:03
Cociente de Probabilidades13:41
De la Regresión Lineal a la Logística19:25
Fe de erratas en la siguiente clase0:18
Crear un Modelo Logístico desde Cero49:56
Análisis Exploratorio de los Datos29:33
La Selección de Variables del Dataset para el Modelo Logístico21:10
Implementar una Regresión Logística con Python13:50
Validación del Modelo y Evaluación del Mismo16:12
Validación Cruzada con Python11:56
Las Matrices de Confusión y las Curvas ROC8:14
Implementación de las curvas ROC en Python31:30
Resumen de la Regresión Logística6:19

Clustering6:16
¿Qué es y para Qué Sirve el Clustering?17:35
El Concepto de Distancia16:23
Matriz de Distancias en Python12:16
Métodos de Enlace11:41
Uniendo Datos Manualmente26:34
Clustering Jerárquico en Python14:03
Un Clustering Completo: la Fase de Exploración de Datos17:58
Un Clustering Completo: Representación del Dendrograma29:04
Un Clustering Completo: por dónde Cortamos el Dendrograma30:18
Un Clustering Completo: Visualización Final del Clustering10:14
El Método de K-Means7:08
Implementando K-Means con Python8:52
Ejercicio: Segmentación de los Vinos27:27
El Método del Codo3:51
El Coeficiente de la Silueta7:03
Implementando la Técnica del Codo y el Coeficiente de la Silueta35:08
Propagación de la Afinidad7:57
Implementando la Propagación de la Afinidad19:06
Generando Distribuciones en Forma de Anillo10:54
Los K Medioides y el Clustering Espectral15:39
Resumen del Clustering3:59

Árboles y Bosques Aleatorios3:35
¿Qué es un Árbol de Decisión?9:16
Homogeneidad en los Datos7:11
Entropía y Ganancia de Información15:22
Algoritmos para la Generación de Árboles de Clasificación15:53
La Poda del Árbol6:45
Los Problemas del Árbol12:13
Los Árboles de Clasificación con Python16:23
El Tratamiento de Ficheros dot15:27
La Validación Cruzada en un Árbol de Clasificación12:29
Los Árboles de Regresión8:07
El Dataset de las Casas de Boston y Kaggle10:42
Árboles de Regresión con Python16:56
Random Forests9:34
Random Forests para Regresión9:57
Random Forest para Clasificación4:44
¿Por qué Funcionan los Random Forests?6:31
Resumen de Árboles y Bosques Aleatorios3:35

Requirements

Haber completado los cursos básicos de Álgebra Lineal y Estadística Descriptiva de Juan Gabriel Gomila para contar con una base matemática sólida.
Haber completado el curso de Python de la A a la Z de Juan Gabriel Gomila para tener una base sólida en programación con Python.
Disponer de un ordenador con conexión a internet y cualquier sistema operativo instalado, además de conocimientos básicos de su uso.

Description

¿Te suenan términos como *Machine Learning* o *Data Scientist*? ¿Te has preguntado para qué se utilizan estas técnicas y por qué las empresas están dispuestas a pagar entre 120.000 y 200.000 dólares al año a un científico de datos?

Este curso está diseñado para resolver todas tus dudas y brindarte una formación integral en Data Science. Juan Gabriel Gomila, un profesional reconocido en el campo del Data Science, te guiará a lo largo del curso, compartiendo su vasto conocimiento y ayudándote a desmitificar la teoría matemática detrás de los algoritmos de Machine Learning. Aprenderás a dominar las librerías de Python que son esenciales en esta área, convirtiéndote en un experto en la materia.

A lo largo del curso, abordarás conceptos y algoritmos clave del Machine Learning, de manera progresiva y detallada. Cada sección te proporcionará nuevas habilidades que te permitirán comprender y aplicar los principios del Data Science, una disciplina no solo fascinante, sino también altamente lucrativa.

Además, este curso mantiene el estilo característico y ameno de Juan Gabriel Gomila, lo que hará que disfrutes aprendiendo técnicas de Machine Learning con Python.

El curso incluye ejercicios prácticos y datasets basados en ejemplos del mundo real, lo que te permitirá no solo aprender la teoría, sino también aplicarla en la creación de tus propios modelos de Machine Learning. Además, tendrás acceso a un repositorio en GitHub con todo el código fuente en Python, listo para descargar y usar en tus proyectos.

¡No esperes más! Únete a este curso y comienza a formarte en Machine Learning con el programa más completo y práctico del mercado en español.

Who this course is for:

Estudiantes de matemáticas, ingeniería y ciencias que quieran iniciar su carrera en el mundo del Data Science y Machine Learning.
Analistas y profesionales que deseen combinar su experiencia con habilidades avanzadas en análisis de datos.
Programadores que ya dominan Python y buscan ampliar su experiencia aplicando técnicas profesionales de Machine Learning en su trabajo diario.

Curso completo de Machine Learning: Data Science en Python

What you'll learn

Explore related topics

Course content

Bienvenidos al Curso de Python para Ciencia de Datos4 lectures • 28min

Instalando nuestra Herramienta de Trabajo6 lectures • 1hr 22min

Una Introducción al Análisis Predictivo y al Machine Learning4 lectures • 1hr 12min

Limpieza de Datos19 lectures • 3hr 18min

Operaciones de Manejo de Datos27 lectures • 5hr 38min

Conceptos Básicos de Estadística para la Modelización Predictiva7 lectures • 1hr 42min

Regresión Lineal con Python19 lectures • 4hr 47min

Regresión Logística con Python16 lectures • 4hr 17min

Clustering y Clasificación22 lectures • 5hr 39min

Árboles y Bosques Aleatorios18 lectures • 3hr 5min

Requirements

Description

Who this course is for: