ML-For-Beginners/translations/es

🌐 Soporte multilingüe

Soportado mediante 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 | Suajili | Sueco | Tagalo (Filipino) | Tamil | Telugu | Tailandés | Turco | Ucraniano | Urdu | Vietnamita

¿Prefieres clonar localmente?

Este repositorio incluye más de 50 traducciones de idiomas que aumentan significativamente el tamaño de la descarga. Para clonar sin traducciones, usa 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 proporciona todo lo necesario para completar el curso con una descarga mucho más rápida.

Únete a nuestra comunidad

Tenemos una serie en Discord para aprender con IA, conoce más y únete en Learn with AI Series del 18 al 30 de septiembre de 2025. Obtendrás consejos y trucos para usar GitHub Copilot en Ciencia de Datos.

Aprendizaje automático para principiantes - Un plan de estudios

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

Los Cloud Advocates de Microsoft se complacen en ofrecer un plan de estudios de 12 semanas con 26 lecciones sobre Aprendizaje Automático. En este plan, aprenderás sobre lo que a veces se llama aprendizaje automático clásico, usando principalmente la biblioteca Scikit-learn y evitando el aprendizaje profundo, que se cubre en nuestro plan de estudios AI para principiantes. ¡Combina estas lecciones con nuestro plan de estudios 'Ciencia de datos para principiantes' también!

Viaja con nosotros alrededor del mundo mientras aplicamos estas técnicas clásicas a datos de muchas regiones del mundo. Cada lección incluye cuestionarios previos y posteriores, instrucciones escritas para completar la lección, una solución, una tarea y más. Nuestra pedagogía basada en proyectos te permite aprender mientras construyes, una forma comprobada para que las nuevas habilidades se afiancen.

✍️ 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 nuestras ilustradoras Tomomi Imura, Dasani Madipalli y Jen Looper

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

🤩 Gratitud extra a los Estudiantes Embajadores de Microsoft Eric Wanjau, Jasleen Sondhi y Vidushi Gupta por nuestras lecciones en 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 resolver problemas comunes con la instalación, configuración y ejecución de las lecciones.

Estudiantes, para usar este plan de estudios, haz fork del repositorio completo a tu propia cuenta de GitHub y completa los ejercicios por tu cuenta o en grupo:

• Comienza con un cuestionario previo a la lección.
• Lee la lección y completa las actividades, pausando y reflexionando en cada chequeo de conocimiento.
• Intenta crear los proyectos comprendiendo las lecciones en lugar de solo ejecutar el código solución; ten en cuenta que el código está disponible en las carpetas /solution en cada lección orientada a proyecto.
• Realiza el cuestionario posterior a la lección.
• Completa el desafío.
• Completa la tarea.
• Después de completar un grupo de lecciones, visita el Tablero de discusiones y "aprende en voz alta" llenando la rúbrica PAT correspondiente. Un 'PAT' es una herramienta de evaluación del progreso que completas para avanzar en tu aprendizaje. También puedes reaccionar a otras PAT para aprender juntos.

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

Profesores, hemos incluido algunas sugerencias sobre cómo usar este plan de estudios.

---

Videos explicativos

Algunas lecciones están disponibles en formato de video corto. Puedes encontrarlos en línea en las lecciones o en la lista de reproducción ML for Beginners en el canal Microsoft Developer de YouTube haciendo clic en la imagen a continuación.

---

Conoce al equipo

Gif por Mohit Jaisal

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

---

Pedagogía

Hemos elegido dos principios pedagógicos para construir este plan de estudios: garantizar que sea práctico basado en proyectos y que incluya cuestionarios frecuentes. Además, este plan 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 aumentará. Además, un cuestionario de bajo riesgo antes de clase establece la intención del estudiante hacia el aprendizaje de un tema, mientras que un segundo cuestionario posterior asegura mayor retención. Este plan fue diseñado para ser flexible y divertido y puede ser tomado en su totalidad o en partes. Los proyectos comienzan pequeños y se vuelven cada vez más complejos hacia el final del ciclo de 12 semanas. También incluye un posfacio sobre aplicaciones reales de ML, que puede usarse como crédito adicional o como base para discusión.

Encuentra nuestro Código de conducta, Contribuciones, Traducciones y Solución de problemas. ¡Esperamos tus comentarios constructivos!

Cada lección incluye

• sketchnote opcional
• video suplementario opcional
• video explicativo (solo algunas lecciones)
• cuestionario previo a la lección
• lección escrita
• para lecciones basadas en proyectos, guías paso a paso para construir el proyecto
• chequeos de conocimiento
• un desafío
• lectura suplementaria
• tarea
• cuestionario 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, vaya a la carpeta /solution y busque las lecciones en R. Incluyen una extensión .rmd que representa un archivo R Markdown que puede definirse simplemente como la incrustación de fragmentos de código (de R u otros lenguajes) y un encabezado YAML (que guía cómo formatear las salidas como PDF) en un documento Markdown. Como tal, sirve como un marco ejemplar de escritura para ciencia de datos ya que le permite combinar su código, su salida y sus pensamientos permitiéndole escribirlos en Markdown. Además, los documentos R Markdown pueden renderizarse a formatos de salida como PDF, HTML o Word.

Una nota sobre los cuestionarios: Todos los cuestionarios están contenidos en la carpeta Quiz App, con un total de 52 cuestionarios de tres preguntas cada uno. Están vinculados desde dentro de las lecciones, pero la app de cuestionarios se puede ejecutar localmente; siga las instrucciones en la carpeta quiz-app para alojar o desplegar localmente en Azure.

Número de lección	Tema	Agrupación de lecciones	Objetivos de aprendizaje	Lección vinculada	Autor
01	Introducción al aprendizaje automático	Introducción	Aprender los conceptos básicos detrás del aprendizaje automático	Lección	Muhammad
02	La historia del aprendizaje automático	Introducción	Aprender la historia subyacente de este campo	Lección	Jen y Amy
03	Justicia y aprendizaje automático	Introducción	¿Cuáles son las importantes cuestiones filosóficas sobre la justicia que los estudiantes deben considerar al construir 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	Comenzar con Python y Scikit-learn para modelos de regresión	Python • R	Jen • Eric Wanjau
06	Precios de calabazas de América del Norte 🎃	Regresión	Visualizar y limpiar datos en preparación para ML	Python • R	Jen • Eric Wanjau
07	Precios de calabazas de América del Norte 🎃	Regresión	Construir modelos de regresión lineal y polinómica	Python • R	Jen y Dmitry • Eric Wanjau
08	Precios de calabazas de América del Norte 🎃	Regresión	Construir un modelo de regresión logística	Python • R	Jen • Eric Wanjau
09	Una aplicación web 🔌	Aplicación web	Construir una aplicación web para usar su modelo entrenado	Python	Jen
10	Introducción a la clasificación	Clasificación	Limpiar, preparar y visualizar sus datos; introducción a la clasificación	Python • R	Jen y Cassie • Eric Wanjau
11	Deliciosas cocinas asiáticas e indias 🍜	Clasificación	Introducción a clasificadores	Python • R	Jen y Cassie • Eric Wanjau
12	Deliciosas cocinas asiáticas e indias 🍜	Clasificación	Más clasificadores	Python • R	Jen y Cassie • Eric Wanjau
13	Deliciosas cocinas asiáticas e indias 🍜	Clasificación	Construir una aplicación web recomendadora usando su modelo	Python	Jen
14	Introducción a la agrupación	Agrupación	Limpiar, preparar y visualizar sus datos; introducción a la agrupación	Python • R	Jen • Eric Wanjau
15	Explorando gustos musicales en Nigeria 🎧	Agrupación	Explorar el método de agrupamiento K-Means	Python • R	Jen • Eric Wanjau
16	Introducción al procesamiento de lenguaje natural ☕️	Procesamiento de lenguaje natural	Aprender los conceptos básicos sobre PLN construyendo un bot simple	Python	Stephen
17	Tareas comunes en PLN ☕️	Procesamiento de lenguaje natural	Profundizar en su conocimiento de PLN entendiendo las tareas comunes requeridas al tratar con estructuras del lenguaje	Python	Stephen
18	Traducción y análisis de sentimientos ♥️	Procesamiento de lenguaje natural	Traducción y análisis de sentimientos con Jane Austen	Python	Stephen
19	Hoteles románticos en Europa ♥️	Procesamiento de lenguaje natural	Análisis de sentimientos con reseñas de hoteles 1	Python	Stephen
20	Hoteles románticos en Europa ♥️	Procesamiento de lenguaje natural	Análisis de sentimientos con reseñas de hoteles 2	Python	Stephen
21	Introducción a la predicción de series de tiempo	Series de tiempo	Introducción a la predicción de series de tiempo	Python	Francesca
22	⚡️ Uso mundial de energía ⚡️ - predicción de series de tiempo con ARIMA	Series de tiempo	Predicción de series de tiempo con ARIMA	Python	Francesca
23	⚡️ Uso mundial de energía ⚡️ - predicción de series de tiempo con SVR	Series de tiempo	Predicción de series de tiempo 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 Gym	Python	Dmitry
Posdata	Escenarios y aplicaciones reales de ML	ML en la naturaleza	Aplicaciones interesantes y reveladoras del aprendizaje automático clásico	Lección	Equipo
Posdata	Depuración de modelos de ML usando el panel RAI	ML en la naturaleza	Depuración de modelos en aprendizaje automático usando componentes del panel Responsible AI	Lección	Ruth Yakubu

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

Acceso sin conexión

Puede ejecutar esta documentación sin conexión usando Docsify. Haga un fork de este repositorio, instale Docsify en su máquina local, y luego en la carpeta raíz de este repositorio, escriba docsify serve. El sitio web será servido en el puerto 3000 en su localhost: localhost:3000.

PDFs

Encuentre un pdf del plan de estudios con enlaces aquí.

🎒 Otros cursos

¡Nuestro equipo produce otros cursos! Eche un vistazo:

LangChain

Azure / Edge / MCP / Agentes

---

Serie de IA Generativa

---

Aprendizaje Básico

---

Serie Copilot

Obtener ayuda

Si te quedas atascado o tienes preguntas mientras aprendes Machine Learning o construyes aplicaciones de IA, no te preocupes — hay ayuda disponible.

Puedes unirte a discusiones con otros aprendices y desarrolladores, hacer preguntas y compartir tus ideas con la comunidad.

• Únete a la comunidad para hacer preguntas y aprender con otros
• Discute conceptos de Machine Learning e ideas de proyectos
• Obtén orientación de desarrolladores experimentados

Una comunidad solidaria es una excelente manera de mejorar tus habilidades y resolver problemas más rápido.

Microsoft Foundry Discord Community

Si encuentras errores, fallos, o tienes sugerencias para mejoras, también puedes abrir un Issue en este repositorio para informar del problema.

Para enviar comentarios sobre el producto o buscar publicaciones existentes en la comunidad, visita el Foro de Desarrolladores:

Consejos adicionales para el 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 usando los conceptos aprendidos.

---

Descargo de responsabilidad:
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 una traducción profesional realizada por humanos. No nos hacemos responsables de ningún malentendido o interpretación errónea que surja del uso de esta traducción.