Machine Learning práctico con Python y scikit-learn
Construye modelos de aprendizaje automático de principio a fin con Python, pandas y scikit-learn, con proyectos reales.
Sobre el curso
Aprende a construir modelos de aprendizaje automático clásico de principio a fin con Python, pandas y scikit-learn: preparación de datos, regresión, clasificación, ensamblados, validación y aprendizaje no supervisado. Cada lección combina explicación, código listo para ejecutar con datasets reales y un ejercicio práctico, y el curso culmina con un proyecto completo guiado por una checklist profesional.
Qué aprenderás
- Preparar datos tabulares reales con Pipelines y ColumnTransformer evitando fugas de información.
- Entrenar y comparar modelos de regresión y clasificación, desde modelos lineales hasta random forest y gradient boosting.
- Evaluar modelos con las métricas adecuadas, validación cruzada y búsqueda de hiperparámetros.
- Aplicar clustering y PCA para descubrir estructura en datos sin etiquetas.
- Tratar el desbalanceo, interpretar modelos y guardarlos listos para producción con joblib.
Temario
-
1 El flujo de un proyecto de Machine Learning y el ecosistema Python
Objetivo: entender las fases de un proyecto de aprendizaje automático y preparar un entorno de trabajo con numpy, pandas y scikit-learn para entrenar tu primer modelo. Qué es el Machine Learning clásico El aprendizaje…
La lección completa está en el aula virtual.
-
2 Preparación de datos: limpieza, nulos, codificación, escalado y Pipelines
Objetivo: limpiar y transformar datos tabulares reales con valores nulos y variables categóricas, encapsulando todo el preprocesado en un Pipeline con ColumnTransformer. Explorar y limpiar con pandas Trabajaremos con el conjunto Titanic de OpenML,…
La lección completa está en el aula virtual.
-
3 Regresión lineal y regularizada (Ridge y Lasso)
Objetivo: entrenar e interpretar modelos de regresión lineal, controlar el sobreajuste con regularización Ridge y Lasso, y evaluar con MAE, RMSE y R². La regresión lineal Un modelo lineal predice el objetivo como una…
La lección completa está en el aula virtual.
-
4 Clasificación: regresión logística, k-NN y métricas
Objetivo: entrenar clasificadores con regresión logística y k vecinos más cercanos, y evaluarlos con la matriz de confusión, precisión, recall, F1 y ROC-AUC, eligiendo el umbral adecuado. Regresión logística A pesar de su nombre,…
La lección completa está en el aula virtual.
-
5 Árboles de decisión y random forest
Objetivo: comprender cómo aprenden los árboles de decisión, controlar su complejidad y mejorar su rendimiento con el ensamblado random forest. Cómo funciona un árbol de decisión Un árbol divide los datos con preguntas del…
La lección completa está en el aula virtual.
-
6 Gradient boosting: HistGradientBoosting, XGBoost y LightGBM
Objetivo: entender la idea del boosting y entrenar modelos HistGradientBoosting con parada temprana y soporte nativo de categóricas, conociendo las alternativas XGBoost y LightGBM. La idea del boosting Mientras random forest entrena árboles independientes…
La lección completa está en el aula virtual.
-
7 Validación cruzada, sobreajuste y búsqueda de hiperparámetros
Objetivo: evaluar modelos de forma fiable con validación cruzada, diagnosticar sobreajuste y subajuste, y optimizar hiperparámetros con GridSearchCV y RandomizedSearchCV sin contaminar el conjunto de test. Sesgo, varianza y sobreajuste Un modelo subajusta cuando…
La lección completa está en el aula virtual.
-
8 Aprendizaje no supervisado: k-means, clustering jerárquico y PCA
Objetivo: descubrir estructura en datos sin etiquetas mediante k-means y clustering jerárquico, evaluar los grupos obtenidos y reducir la dimensionalidad con PCA. Clustering con k-means k-means divide los datos en k grupos asignando cada…
La lección completa está en el aula virtual.
-
9 Datos desbalanceados, interpretabilidad y persistencia de modelos
Objetivo: tratar problemas con clases desbalanceadas, explicar qué variables influyen en un modelo mediante la importancia por permutación y guardar y recargar pipelines con joblib. El problema del desbalanceo En fraude, averías o enfermedades…
La lección completa está en el aula virtual.
-
10 Proyecto final de principio a fin con checklist
Objetivo: aplicar todo lo aprendido en un proyecto completo de clasificación, desde la definición del problema hasta un modelo guardado, evaluado y documentado, siguiendo una checklist profesional. El proyecto Construirás un modelo que predice…
La lección completa está en el aula virtual.