🚀 Repositorio del Curso: Machine Learning de A a la Z: R y Python para Data Science

Creado por Kirill Eremenko y Hadelin de Ponteves
Traducido al español por Juan Gabriel Gomila Salas

Última actualización: Enero de 2025

---

📂 Estructura del Proyecto

En este repositorio encontrarás tres carpetas principales que te ayudarán a seguir el curso de la mejor manera:

1. Additional Materials: Transparencias y slides utilizados en las clases de teoría del curso.
2. Original: Los ficheros originales en Python y R con los que se grabaron las clases del curso.
3. Update: Los ficheros actualizados en Python, Jupyter Notebook y R, con mejoras realizadas en agosto de 2023. ¡Aquí está el código más reciente!

---

🚀 ¿Cómo aprovechar este repositorio?

Puedes combinar lo aprendido en los videos con el código actualizado para asegurar que estás trabajando siempre con las versiones más recientes. Además, si prefieres trabajar online, hemos preparado el código directamente en Google Colab para que puedas seguir el curso sin necesidad de instalar Python en tu ordenador.

👉 Accede a la carpeta de materiales de Colab aquí

---

📚 Temario del Curso

Este curso está diseñado para llevarte de la teoría a la práctica, y cubre una amplia gama de temas esenciales de Machine Learning. Aquí tienes un resumen de los módulos:

1️⃣ Preprocesamiento de Datos

2️⃣ Regresión

• Regresión Lineal Simple, Múltiple, Polinomial
• SVR, Árboles de Decisión, Bosques Aleatorios

3️⃣ Clasificación

• Regresión Logística, K-NN, SVM
• Naive Bayes, Árboles de Decisión, Bosques Aleatorios

4️⃣ Clustering

• K-Means, Clustering Jerárquico

5️⃣ Aprendizaje por Reglas de Asociación

• Apriori, Eclat

6️⃣ Reinforcement Learning

• Límite de Confianza Superior, Muestreo Thompson

7️⃣ Procesamiento Natural del Lenguaje (NLP)

• Modelo de Bag-of-Words, algoritmos de NLP

8️⃣ Deep Learning

• Redes Neuronales Artificiales y Convolucionales

9️⃣ Reducción de la Dimensión

• ACP, LDA, Kernel ACP

🔟 Selección de Modelos & Boosting

• k-fold Cross Validation, Ajuste de Parámetros, Grid Search, XGBoost

---

🧑‍💻 Lo que aprenderás en este curso

• Dominar Machine Learning con Python y R.
• Crear modelos predictivos robustos y generar análisis precisos.
• Aplicar técnicas avanzadas como Reinforcement Learning, NLP y Deep Learning.
• Crear valor en tu negocio mediante el uso de Modelos de Machine Learning.
• Desarrollar una librería de modelos para resolver problemas de Data Science.

---

⚡ ¿Para quién es este curso?

Este curso está dirigido a todos aquellos interesados en aprender Machine Learning. Ideal para:

• Principiantes: Si tienes conocimientos básicos de matemáticas (nivel secundaria y bachillerato).
• Estudiantes de Data Science que quieran profundizar en el mundo del Machine Learning.
• Analistas de Datos que busquen mejorar sus habilidades en programación y ML.
• Profesionales que deseen mejorar sus habilidades analíticas y crear valor en sus empresas.

---

🎯 ¿Qué requisitos necesitas?

No es necesario ser un experto en programación, solo es recomendable tener conocimientos básicos de matemáticas a nivel de secundaria o bachillerato.

---

🎁 ¡Bonus!

Este curso incluye todo el código en Python y R que puedes descargar y aplicar a tus propios proyectos, así como ejemplos prácticos basados en datos reales.

---

🎥 ¿Listo para aprender Machine Learning de manera fácil y divertida?

Apúntate al curso con descuento exclusivo desde aquí y empieza a aprender hoy mismo.

---

¡Esperamos verte pronto en el curso! Si tienes dudas o preguntas, no dudes en contactar con nosotros. ¡Estamos aquí para ayudarte! 💡