Los Azure Cloud Advocates de Microsoft están emocionados en ofrecer un plan de estudios de 12 semanas, con 26 lecciones, todas acerca de **aprendizaje automático**. En este plan de estudios, aprenderás sobre lo que algunas veces es llamado **aprendizaje automático clásico**, usando principalmente Scikit-learn y evitando el aprendizaje profundo, el cual se aborda en nuestro próximo plan de estudios 'IA para principiantes'. ¡Acompaña estas lecciones con nuestro [plan de estudios 'Ciencia de Datos para principiantes'](https://aka.ms/datascience-beginners)!
Nuestra metodología de enseñanza basada en proyectos, te permite aprender mientras practicas; esta es una forma comprobada para que adquieras nuevas habilidades.
**✍️ Agradecimientos de todo corazón** a Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, y Amy Boyd.
**🎨 Gracias también a nuestros ilustradores** Tomomi Imura, Dasani Madipalli, y Jen Looper.
**🙏 Agradecimientos especiales 🙏 a nuestros autores de Embajadores Estudiantiles de Microsoft, revisores, y colaboradores de contenido**, notablemente a Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, y Snigdha Agarwal.
**🤩 ¡Agradecimiento adicional al embajador estudiantil de Microsoft Eric Wanjau por nuestras lecciones de R!**
**Estudiantes**, para usar este plan de estudios, realiza un fork del repositorio completo en tu cuenta de GitHub y completa los ejercicios por ti mismo o en grupo:
- Intenta crear los proyectos para comprender las lecciones en lugar de ejecutar el código de la solución; sin embargo ese código se encuentra disponible en los directorios `/solution` en cada lección orientada a proyecto.
- Después de completar un grupo de lecciones, visita el [tablero de discusión](https://github.com/microsoft/ML-For-Beginners/discussions) y "aprende en voz alta" llenando la rúbrica PAT apropiada. Un 'PAT' es una herramienta de evaluación del progreso que es una rúbrica la cual llenas para avanzar en tu aprendizaje. También puede reaccionar a otros PATs y así aprender juntos.
> Para aprender más, recomendamos seguir estos módulos y rutas de aprendizaje de [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
> 🎥 ¡Da clic a la imagen de arriba para ver un video acerca del proyecto y la gente que lo creó!
---
## Pedagogía
Hemos elegido dos principios pedagógicos mientras construimos este plan de estudios: asegurar que es práctico **basado en proyectos** y que incluye **exámenes frecuentes**. Además, este plan de estudios tiene un **tema** común para darle cohesión.
Al asegurar que el contenido se alinea con los proyectos, el proceso se hace más atractivo par los estudiantes y la retención de conceptos incrementará. Además, un pequeño examen antes de cada clase para establecer la intención del estudiante de aprender un tema, mientras el segundo examen después de la clase asegura una mayor retención. Este plan de estudios fue diseñado para ser flexible y divertido y puede se tomado en su totalidad o por partes. Los proyectos comienzan pequeños y van incrementando en complejidad durante el ciclo de 12 semanas. Este plan de estudios también incluye una nota al final sobre aplicaciones de aprendizaje automático en el mundo real, la cual puede ser usada como cŕeditos extra o como base para discusión.
> Encuentra nuestros lineamientos de [Código de conducta](../CODE_OF_CONDUCT.md), [Contribución](../CONTRIBUTING.md), y [Traducción](../TRANSLATIONS.md). ¡Son bienvenidos tus comentarios constructivos!
> **Una nota acerca de los lenguajes**: Estas lecciones están escritas principalmente en Python, pero muchas también están disponibles en R. Para completar una lección en R, ve al directorio `/solution` y busca las lecciones. Ellas incluyen una extensión .rmd que representa un archivo **Markdown R** el cual puede ser definido simplemente como `porciones de código` embebido (de R u otros lenguajes) y un `encabezado YAML` (que guía cómo dar formato a las salidas, por ejemplo PDF) en un `documento Markdown`. Como tal, este sirve como un framework ejemplar de autoría para la ciencia de datos ya que permite combinar tu código, su salida, y tus pensamientos al permitirte escribirlos en Markdown. Es más, los documentos Markdown R pueden ser representados como formatos de salida tal como PDF, HTML, o Word.
> **Una nota acerca de los exámenes**: Todos los exámenes están contenidos [en esta app](https://gray-sand-07a10f403.1.azurestaticapps.net/), para un total de 52 exámenes de 3 preguntas cada uno, Ellos están vinculados dentro de las lecciones pero la aplicación de exámenes puede ser ejecutada localmente; sigue las instrucciones en el directorio `quiz-app`.
| 02 | La historia del aprendizaje automático | [Introducción](../1-Introduction/translations/README.es.md) | Aprende la historia de este campo | [Lección](../1-Introduction/2-history-of-ML/translations/README.es.md) | Jen y Amy |
| 03 | Justicia y aprendizaje automático | [introducción](../1-Introduction/translations/README.es.md) | ¿Cuáles son los problemas filosóficos importantes alrededor de la justicia que los estudiantes deberían considerar al construir y aplicar modelos de aprendizaje automático? | [Lección](../1-Introduction/3-fairness/translations/README.es.md) | Tomomi |
| 04 | Técnicas para el aprendizaje automático | [introducción](../1-Introduction/translations/README.es.md) | ¿Qué técnicas usan los investigadores de aprendizaje automático para construir modelos de ML? | [Lección](../1-Introduction/4-techniques-of-ML/translations/README.es.md) | Chris y Jen |
| 05 | Introducción a la regresión | [Regresión](../2-Regression/translations/README.es.md) | Comienza con Python y Scikit-learn para modelos de regresión | <ul><li>[Python](../2-Regression/1-Tools/translations/README.es.md)</li><li>[R](../2-Regression/1-Tools/solution/R/lesson_1-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 06 | Precios de la calabaza en Norte América 🎃 | [Regresión](../2-Regression/translations/README.es.md) | Visualiza y limpia los datos en preparación para el aprendizaje automático | <ul><li>[Python](../2-Regression/2-Data/translations/README.es.md)</li><li>[R](../2-Regression/2-Data/solution/R/lesson_2-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 07 | Precios de la calabaza en Norte América 🎃 | [Regresión](../2-Regression/translations/README.es.md) | Construye modelos de regresión lineal y polinomial | <ul><li>[Python](../2-Regression/3-Linear/translations/README.es.md)</li><li>[R](../2-Regression/3-Linear/solution/R/lesson_3-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 08 | Precios de la calabaza en Norte América 🎃 | [Regresión](../2-Regression/translations/README.es.md) | Construye un modelo de regresión logística | <ul><li>[Python](../2-Regression/4-Logistic/translations/README.es.md) </li><li>[R](../2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb)</li></ul> | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 09 | Una aplicación web 🔌 | [Aplicación web](../3-Web-App/translations/README.es.md) | Construye una aplicación web para usar tu modelo entrenado | [Python](../3-Web-App/1-Web-App/translations/README.es.md) | Jen |
| 10 | Introducción a la clasificación | [Clasificación](../4-Classification/translations/README.es.md) | Limpia, prepara y visualiza tus datos; introducción a la clasificación | <ul><li> [Python](../4-Classification/1-Introduction/translations/README.es.md) </li><li>[R](../4-Classification/1-Introduction/solution/R/lesson_10-R.ipynb) | <ul><li>Jen y Cassie</li><li>Eric Wanjau</li></ul> |
| 11 | Deliciosas cocinas Asiática e India 🍜 | [Clasificación](../4-Classification/translations/README.es.md) | Introducción a los clasificadores | <ul><li> [Python](../4-Classification/2-Classifiers-1/translations/README.es.md)</li><li>[R](../4-Classification/2-Classifiers-1/solution/R/lesson_11-R.ipynb) | <ul><li>Jen y Cassie</li><li>Eric Wanjau</li></ul> |
| 12 | Deliciosas cocinas Asiática e India 🍜 | [Clasificación](../4-Classification/translations/README.es.md) | Más clasificadores | <ul><li> [Python](../4-Classification/3-Classifiers-2/translations/README.es.md)</li><li>[R](../4-Classification/3-Classifiers-2/solution/R/lesson_12-R.ipynb) | <ul><li>Jen y Cassie</li><li>Eric Wanjau</li></ul> |
| 15 | Explorando los gustos musicales de Nigeria 🎧 | [Agrupamiento](../5-Clustering/translations/README.es.md) | Explora el método de agrupamiento K-medias | <ul><li> [Python](../5-Clustering/2-K-Means/translations/README.es.md)</li><li>[R](../5-Clustering/2-K-Means/solution/R/lesson_15-R.ipynb) | <ul><li>Jen</li><li>Eric Wanjau</li></ul> |
| 16 | Introducción al procesamiento de lenguaje natural ☕️ | [Procesamiento de lenguaje natural](../6-NLP/translations/README.es.md) | Aprende las bases acerca de NLP al construir un bot simple | [Python](../6-NLP/1-Introduction-to-NLP/translations/README.es.md) | Stephen |
| 18 | Traducción y análisis de sentimiento ♥️ | [Procesamiento de lenguaje natural](../6-NLP/translations/README.es.md) | Traducción y análisis de sentimiento con Jane Austen | [Python](../6-NLP/3-Translation-Sentiment/translations/README.es.md) | Stephen |
| 19 | Hoteles románticos de Europa ♥️ | [Procesamiento de lenguaje natural](../6-NLP/translations/README.es.md) | Análisis de sentimiento con reseñas de hoteles 1 | [Python](../6-NLP/4-Hotel-Reviews-1/translations/README.es.md) | Stephen |
| 20 | Hoteles románticos de Europa ♥️ | [Procesamiento de lenguaje natural](../6-NLP/translations/README.es.md) | Análisis de sentimiento con reseñas de hoteles 2 | [Python](../6-NLP/5-Hotel-Reviews-2/translations/README.es.md) | Stephen |
| 21 | Introducción a la predicción de series de tiempo | [Series de tiempo](../7-TimeSeries/translations/README.es.md) | Introducción a la predicción de series de tiempo | [Python](../7-TimeSeries/1-Introduction/translations/README.es.md) | Francesca |
| 22 | ⚡️ Uso de energía mundial ⚡️ - predicción de series de tiempo con ARIMA | [Series de tiempo](../7-TimeSeries/translations/README.es.md) | Predicción de series de tiempo con ARIMA | [Python](../7-TimeSeries/2-ARIMA/translations/README.es.md) | Francesca |
| 23 | ⚡️ Uso de energía mundial ⚡️ - predicción de series de tiempo con SVR | [Series de tiempo](../7-TimeSeries/translations/README.es.md) | Predicción de series de tiempo con Regresor de soporte vectorial | [Python](../7-TimeSeries/3-SVR/translations/README.es.md) | Anirban |
| 24 | Introducción al aprendizaje reforzado | [Aprendizaje reforzado](../8-Reinforcement/translations/README.es.md) | introducción al aprendizaje reforzado con Q-Learning | [Python](../8-Reinforcement/1-QLearning/translations/README.es.md) | Dmitry |
| 25 | ¡Ayuda a Pedro a evitar al lobo! 🐺 | [Aprendizaje reforzado](../8-Reinforcement/translations/README.es.md) | Gimnasio de aprendizaje reforzado | [Python](../8-Reinforcement/2-Gym/translations/README.es.md) | Dmitry |
| Postdata | Escenarios y aplicaciones del aprendizaje automático en el mundo real | [Aprendizaje automático en la naturaleza](../9-Real-World/translations/README.es.md) | Interesantes y reveladoras aplicaciones del mundo real del aprendizaje automático clásico | [Lección](../9-Real-World/1-Applications/translations/README.es.md) | Equipo |
## Acceso sin conexión
Puedes ejecutar esta documentación sin conexión al usar [Docsify](https://docsify.js.org/#/). Crea un fork de este repositorio, [instala Docsify](https://docsify.js.org/#/quickstart) en tu equipo local, y luego en el directorio raíz de este repositorio, escribe `docsify serve`. El sitio web será servido en el puerto 3000 de tu host local: `localhost:3000`.
## PDFs
Encuentra [aquí](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf) un pdf de el plan de estudios con enlaces.
## ¡Necesitamos tu ayuda!
¿Te gustaría contribuir con una traducción? Por favor lee nuestros [lineamientos de traducción](../TRANSLATIONS.md) y agrega un issue basado en la plantilla para administrar la carga de trabajo [aquí](https://github.com/microsoft/ML-For-Beginners/issues).
## Otros planes de estudio
¡Nuestro equipo produce otros planes de estudio! Revísalos:
- [Desarrollo Web para principiantes](https://aka.ms/webdev-beginners)
- [Internet de las cosas para principiantes](https://aka.ms/iot-beginners)
- [Ciencia de Datos para principiantes](https://aka.ms/datascience-beginners)
