Curso Completo de Machine Learning

Esta masterclass condensa en 22 capítulos el ciclo completo de un proyecto de Machine Learning, desde los 8 pasos de un proyecto real hasta los algoritmos más usados en la industria. Combina aprendizaje supervisado (regresión lineal y logística, SVM, árboles de decisión, Random Forest) con no supervisado (K-Means, DBSCAN, clustering jerárquico, PCA, t-SNE), además de detección de anomalías, reglas de asociación y métricas de evaluación.

Termina con un repaso a los ensamblados modernos de Gradient Boosting (XGBoost, LightGBM, CatBoost) y apunta hacia el Deep Learning como siguiente paso. El trabajo práctico se apoya en Python y Scikit-Learn sobre Google Colab.

• Flujo completo de un proyecto de ML en 8 pasos
• Modelos supervisados: regresión, SVM, Random Forest
• Clustering y reducción de dimensionalidad (K-Means, DBSCAN, PCA)
• Métricas de evaluación y validación cruzada
• Ensamblados modernos: XGBoost, LightGBM, CatBoost

• Aplicar el flujo completo de un proyecto de Machine Learning, de los datos a la producción
• Implementar modelos supervisados como regresión, SVM, árboles de decisión y Random Forest
• Aplicar técnicas no supervisadas de clustering y reducción de dimensionalidad
• Detectar anomalías y extraer reglas de asociación en un conjunto de datos
• Evaluar modelos con matriz de confusión, F1-Score, validación cruzada y regularización
• Reconocer cuándo recurrir a ensamblados modernos como XGBoost, LightGBM o CatBoost

2 semanas · unas 3 h por semana

1. Semana 1ver la introducción y el bloque de aprendizaje supervisado (0:00-18:59), probando en Colab regresión, SVM y Random Forest
2. Semana 1-2practicar el bloque no supervisado (19:00-34:40), replicando K-Means, DBSCAN y PCA con datos propios
3. Semana 2revisar el bloque de evaluación y modelos avanzados (35:02-48:00), comparando métricas entre varios modelos entrenados

El plan cuenta con tiempo para pausar y practicar, no solo con la duración del vídeo. Si quieres adaptarlo a tu semana, lee cómo montar tu plan de estudio semanal.

• AlternativaCurso de machine learning desde cero · (completo)Otro curso completo de Machine Learning en español que puede ofrecer un ritmo más pausado para quien empieza
• AlternativaAprendiendo Machine Learning desde cero con Miss YeraCurso de Machine Learning desde cero orientado a principiantes, útil si este resulta demasiado denso
• Antes de este cursoPython para Finanzas y Trading Algorítmico desde ceroRefuerza las bases de Python que este curso asume ya dominadas

Preguntas generadas con IA a partir del temario

1. 1. ¿Cuál es el primer paso lógico en el flujo de trabajo de un proyecto real de Machine Learning?

   Comprender el problema y recopilar los datosDesplegar el modelo en producciónAplicar regularización RidgeEjecutar validación cruzada K-Fold

   Comprobar
2. 2. ¿Qué técnica se usa para balancear clases cuando los datos están muy desbalanceados?

   PCASMOTEDBSCANApriori

   Comprobar
3. 3. ¿Qué caracteriza al algoritmo DBSCAN frente a K-Means en clustering?

   Requiere fijar el número de clusters de antemanoSolo funciona con datos reducidos mediante PCAAgrupa puntos según su densidad y puede detectar ruidoNecesita un dendrograma para funcionar

   Comprobar
4. 4. ¿Qué mide el F1-Score en la evaluación de un modelo de clasificación?

   El número de clusters óptimoEl error cuadrático medio entre predicción y valor realLa varianza explicada por los componentes principalesLa media armónica entre precisión y recall

   Comprobar
5. 5. ¿Qué tienen en común XGBoost, LightGBM y CatBoost como ensamblados modernos?

   Son variantes de Gradient Boosting usadas como estándar de la industriaSon técnicas de reducción de dimensionalidad como PCASon algoritmos de clustering jerárquicoSirven únicamente para detectar anomalías

   Comprobar

0 de 5 respondidas