ML-For-Beginners/translations/es

🌐 Soporte multilingüe

Soportado via GitHub Action (Automatizado y siempre actualizado)

Árabe | Bengalí | Búlgaro | Birmano (Myanmar) | Chino (Simplificado) | Chino (Tradicional, Hong Kong) | Chino (Tradicional, Macao) | Chino (Tradicional, Taiwán) | Croata | Checo | Danés | Holandés | Estonio | Finlandés | Francés | Alemán | Griego | Hebreo | Hindi | Húngaro | Indonesio | Italiano | Japonés | Kannada | Jemer | Coreano | Lituano | Malayo | Malayalam | Maratí | Nepalí | Pidgin Nigeriano | Noruego | Persa (Farsi) | Polaco | Portugués (Brasil) | Portugués (Portugal) | Punjabi (Gurmukhi) | Rumano | Ruso | Serbio (Cirílico) | Eslovaco | Esloveno | Español | Swahili | Sueco | Tagalo (Filipino) | Tamil | Telugú | Tailandés | Turco | Ucraniano | Urdu | Vietnamita

¿Prefieres clonar localmente?

Este repositorio incluye más de 50 traducciones de idiomas lo que aumenta significativamente el tamaño de la descarga. Para clonar sin las traducciones, use sparse checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

Esto te da todo lo que necesitas para completar el curso con una descarga mucho más rápida.

Únete a nuestra comunidad

Tenemos una serie en Discord para aprender con IA en curso, aprende más y únete en Serie Aprende con IA del 18 al 30 de septiembre de 2025. Obtendrás consejos y trucos para usar GitHub Copilot para Ciencia de Datos.

Aprendizaje Automático para Principiantes - Un Currículo

🌍 Viaja alrededor del mundo mientras exploramos el Aprendizaje Automático mediante culturas del mundo 🌍

Los Cloud Advocates en Microsoft se complacen en ofrecer un currículo de 12 semanas, con 26 lecciones, todo sobre Aprendizaje Automático. En este currículo, aprenderás sobre lo que a veces se llama aprendizaje automático clásico, utilizando principalmente Scikit-learn como biblioteca y evitando el aprendizaje profundo, que se cubre en nuestro currículo de IA para Principiantes. También combina estas lecciones con nuestro 'Currículo de Ciencia de Datos para Principiantes'.

Viaja con nosotros alrededor del mundo mientras aplicamos estas técnicas clásicas a datos de muchas áreas del mundo. Cada lección incluye pruebas antes y después de la lección, instrucciones escritas para completar la lección, una solución, una tarea y más. Nuestra pedagogía basada en proyectos te permite aprender mientras construyes, una manera comprobada para que nuevas habilidades se fijen.

✍️ Muchas gracias a nuestros autores Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu y Amy Boyd

🎨 Gracias también a nuestros ilustradores Tomomi Imura, Dasani Madipalli y Jen Looper

🙏 Agradecimientos especiales 🙏 a nuestros autores, revisores y contribuidores de contenido Embajadores Estudiantiles de Microsoft, en especial a Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila y Snigdha Agarwal

🤩 Agradecimiento extra a los Embajadores Estudiantiles de Microsoft Eric Wanjau, Jasleen Sondhi y Vidushi Gupta por nuestras lecciones de R!

Comenzando

Sigue estos pasos:

1. Haz un fork del Repositorio: Haz clic en el botón "Fork" en la esquina superior derecha de esta página.
2. Clona el Repositorio: git clone https://github.com/microsoft/ML-For-Beginners.git

Encuentra todos los recursos adicionales para este curso en nuestra colección de Microsoft Learn

🔧 ¿Necesitas ayuda? Consulta nuestra Guía de Solución de Problemas para soluciones a problemas comunes con la instalación, configuración y ejecución de lecciones.

Estudiantes, para usar este currículo, haz un fork de todo el repositorio a tu propia cuenta de GitHub y completa los ejercicios por tu cuenta o en grupo:

• Comienza con un quiz previo a la lección.
• Lee la lección y completa las actividades, deteniéndote y reflexionando en cada chequeo de conocimiento.
• Intenta crear los proyectos comprendiendo las lecciones más que ejecutando el código de la solución; sin embargo, ese código está disponible en las carpetas /solution en cada lección orientada a proyectos.
• Realiza el quiz después de la lección.
• Completa el desafío.
• Completa la tarea.
• Después de completar un grupo de lecciones, visita el Foro de Discusión y "aprende en voz alta" llenando la rúbrica PAT correspondiente. Un 'PAT' es una Herramienta de Evaluación de Progreso que es una rúbrica que llenas para avanzar en tu aprendizaje. También puedes reaccionar a otras PAT para que aprendamos juntos.

Para estudios adicionales, recomendamos seguir estos módulos y rutas de aprendizaje de Microsoft Learn.

Profesores, hemos incluido algunas sugerencias sobre cómo usar este currículo.

---

Videos explicativos

Algunas lecciones están disponibles como videos de formato corto. Puedes encontrarlos en línea dentro de las lecciones, o en la lista de reproducción ML para principiantes en el canal de Microsoft Developer en YouTube haciendo clic en la imagen a continuación.

---

Conoce al equipo

Gif por Mohit Jaisal

🎥 ¡Haz clic en la imagen de arriba para ver un video sobre el proyecto y las personas que lo crearon!

---

Pedagogía

Hemos elegido dos principios pedagógicos al construir este currículo: asegurar que sea basado en proyectos y que incluya quizzes frecuentes. Además, este currículo tiene un tema común para darle cohesión.

Al asegurar que el contenido esté alineado con proyectos, el proceso se vuelve más atractivo para los estudiantes y la retención de conceptos se incrementa. Además, un quiz de bajo riesgo antes de una clase fija la intención del estudiante hacia el aprendizaje de un tema, mientras que un segundo quiz posterior asegura mayor retención. Este currículo fue diseñado para ser flexible y divertido y puede ser tomado en su totalidad o en parte. Los proyectos comienzan pequeños y se vuelven cada vez más complejos al final del ciclo de 12 semanas. Este currículo también incluye un postscriptum sobre aplicaciones reales del aprendizaje automático, que puede usarse como crédito extra o como base para discusión.

Encuentra nuestro Código de Conducta, Contribuir, Traducciones, y Solución de Problemas. ¡Agradecemos tus comentarios constructivos!

Cada lección incluye

• esquemático opcional
• video complementario opcional
• video explicativo (solo algunas lecciones)
• quiz de calentamiento previo a la lección
• lección escrita
• para lecciones basadas en proyectos, guías paso a paso para construir el proyecto
• chequeos de conocimiento
• un reto
• lectura suplementaria
• tarea
• quiz posterior a la lección

Una nota sobre los idiomas: Estas lecciones están escritas principalmente en Python, pero muchas también están disponibles en R. Para completar una lección en R, ve a la carpeta /solution y busca las lecciones en R. Incluyen una extensión .rmd que representa un archivo de R Markdown, que puede definirse simplemente como una incorporación de fragmentos de código (de R u otros lenguajes) y un encabezado YAML (que guía cómo formatear la salida como PDF) en un documento Markdown. Como tal, sirve como un marco ejemplar para la creación de contenidos en ciencia de datos, ya que permite combinar tu código, su salida y tus pensamientos permitiéndote escribirlos en Markdown. Además, los documentos R Markdown pueden ser renderizados a formatos de salida como PDF, HTML o Word.

Una nota sobre los cuestionarios: Todos los cuestionarios se encuentran en la carpeta Quiz App, con un total de 52 cuestionarios de tres preguntas cada uno. Están vinculados dentro de las lecciones, pero la aplicación de cuestionarios se puede ejecutar localmente; sigue las instrucciones en la carpeta quiz-app para alojarla localmente o desplegarla en Azure.

Número de Lección	Tema	Agrupación de la Lección	Objetivos de Aprendizaje	Lección vinculada	Autor
01	Introducción al aprendizaje automático	Introducción	Aprende los conceptos básicos detrás del aprendizaje automático	Lección	Muhammad
02	La historia del aprendizaje automático	Introducción	Aprende la historia que sustenta este campo	Lección	Jen y Amy
03	Equidad y aprendizaje automático	Introducción	¿Cuáles son los importantes temas filosóficos sobre la equidad que los estudiantes deben considerar al crear y aplicar modelos de ML?	Lección	Tomomi
04	Técnicas para el aprendizaje automático	Introducción	¿Qué técnicas usan los investigadores de ML para construir modelos de ML?	Lección	Chris y Jen
05	Introducción a la regresión	Regresión	Comienza con Python y Scikit-learn para modelos de regresión	Python • R	Jen • Eric Wanjau
06	Precios de calabazas en Norteamérica 🎃	Regresión	Visualiza y limpia datos en preparación para ML	Python • R	Jen • Eric Wanjau
07	Precios de calabazas en Norteamérica 🎃	Regresión	Construye modelos de regresión lineal y polinómica	Python • R	Jen y Dmitry • Eric Wanjau
08	Precios de calabazas en Norteamérica 🎃	Regresión	Construye un modelo de regresión logística	Python • R	Jen • Eric Wanjau
09	Una aplicación web 🔌	Aplicación Web	Construye una aplicación web para usar tu modelo entrenado	Python	Jen
10	Introducción a la clasificación	Clasificación	Limpia, prepara y visualiza tus datos; introducción a la clasificación	Python • R	Jen y Cassie • Eric Wanjau
11	Cocina deliciosa asiática e india 🍜	Clasificación	Introducción a los clasificadores	Python • R	Jen y Cassie • Eric Wanjau
12	Cocina deliciosa asiática e india 🍜	Clasificación	Más clasificadores	Python • R	Jen y Cassie • Eric Wanjau
13	Cocina deliciosa asiática e india 🍜	Clasificación	Construye una aplicación web recomendadora usando tu modelo	Python	Jen
14	Introducción al clustering	Clustering	Limpia, prepara y visualiza tus datos; introducción al clustering	Python • R	Jen • Eric Wanjau
15	Explorando gustos musicales nigerianos 🎧	Clustering	Explora el método K-Means para clustering	Python • R	Jen • Eric Wanjau
16	Introducción al procesamiento de lenguaje natural ☕️	Procesamiento de lenguaje natural	Aprende lo básico sobre PLN construyendo un bot simple	Python	Stephen
17	Tareas comunes de PLN ☕️	Procesamiento de lenguaje natural	Profundiza tus conocimientos de PLN entendiendo tareas comunes requeridas al tratar con estructuras de lenguaje	Python	Stephen
18	Traducción y análisis de sentimiento ♥️	Procesamiento de lenguaje natural	Traducción y análisis de sentimiento con Jane Austen	Python	Stephen
19	Hoteles románticos de Europa ♥️	Procesamiento de lenguaje natural	Análisis de sentimiento con reseñas de hoteles 1	Python	Stephen
20	Hoteles románticos de Europa ♥️	Procesamiento de lenguaje natural	Análisis de sentimiento con reseñas de hoteles 2	Python	Stephen
21	Introducción a la predicción de series temporales	Series temporales	Introducción a la predicción de series temporales	Python	Francesca
22	⚡️ Uso mundial de energía ⚡️ - predicción de series temporales con ARIMA	Series temporales	Predicción de series temporales con ARIMA	Python	Francesca
23	⚡️ Uso mundial de energía ⚡️ - predicción de series temporales con SVR	Series temporales	Predicción de series temporales con regresor de vectores de soporte	Python	Anirban
24	Introducción al aprendizaje por refuerzo	Aprendizaje por refuerzo	Introducción al aprendizaje por refuerzo con Q-Learning	Python	Dmitry
25	Ayuda a Peter a evitar al lobo! 🐺	Aprendizaje por refuerzo	Aprendizaje por refuerzo con Gym	Python	Dmitry
Epílogo	Escenarios y aplicaciones de ML en el mundo real	ML en el mundo real	Aplicaciones interesantes y reveladoras del ML clásico	Lección	Equipo
Epílogo	Depuración de modelos en ML con el panel de RAI	ML en el mundo real	Depuración de modelos en machine learning usando componentes del panel Responsible AI	Lección	Ruth Yakubu

encuentra todos los recursos adicionales para este curso en nuestra colección Microsoft Learn

Acceso sin conexión

Puedes ejecutar esta documentación sin conexión usando Docsify. Haz un fork de este repositorio, instala Docsify en tu máquina local y luego, en la carpeta raíz de este repo, escribe docsify serve. El sitio web se servirá en el puerto 3000 de tu localhost: localhost:3000.

PDFs

Encuentra un pdf del plan de estudios con enlaces aquí.

🎒 Otros Cursos

¡Nuestro equipo produce otros cursos! Echa un vistazo:

LangChain

Azure / Edge / MCP / Agentes

---

Serie de IA Generativa

---

Aprendizaje Básico

---

Serie Copilot

Obtener ayuda

Si te quedas atascado o tienes alguna pregunta sobre cómo crear aplicaciones de IA, únete a otros aprendices y desarrolladores experimentados en discusiones sobre MCP. Es una comunidad de apoyo donde las preguntas son bienvenidas y el conocimiento se comparte libremente.

Si tienes sugerencias sobre el producto o errores mientras creas, visita:

Consejos adicionales de aprendizaje

• Revisa los notebooks después de cada lección para una mejor comprensión.
• Practica implementando algoritmos por tu cuenta.
• Explora conjuntos de datos del mundo real utilizando los conceptos aprendidos.

---

Aviso Legal: Este documento ha sido traducido utilizando el servicio de traducción AI Co-op Translator. Aunque nos esforzamos por la precisión, tenga en cuenta que las traducciones automáticas pueden contener errores o inexactitudes. El documento original en su idioma nativo debe considerarse la fuente autorizada. Para información crítica, se recomienda la traducción profesional humana. No nos responsabilizamos por malentendidos o interpretaciones erróneas derivadas del uso de esta traducción.