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 | Neerlandés | Estonio | Finlandés | Francés | Alemán | Griego | Hebreo | Hindi | Húngaro | Indonesio | Italiano | Japonés | Kannada | Coreano | Lituano | Malayo | Malabar | 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 traducciones en más de 50 idiomas, lo que aumenta significativamente el tamaño de la descarga. Para clonar sin traducciones, usa sparse checkout:

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 en curso, obtén más información y únete en Serie Aprende con IA 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 Currículo

🌍 Viaja por el mundo mientras exploramos el Aprendizaje Automático a través de las culturas mundiales 🌍

Los Cloud Advocates de Microsoft se complacen en ofrecer un currículo de 12 semanas y 26 lecciones sobre Aprendizaje Automático. En este currículo, aprenderás sobre lo que a veces se llama aprendizaje automático clásico, usando principalmente Scikit-learn como biblioteca y evitando el aprendizaje profundo, que se cubre en nuestro currículo de IA para principiantes. También puedes combinar 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 regiones. 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

🎨 También agradecemos a nuestros ilustradores Tomomi Imura, Dasani Madipalli y Jen Looper

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

🤩 Gratitud extra a los Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi y Vidushi Gupta por nuestras lecciones en R!

Comenzando

Sigue estos pasos:

1. Bifurca el 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 solucionar problemas comunes de instalación, configuración y ejecución de lecciones.

Estudiantes, para usar este currículo, bifurquen todo el repositorio en su propia cuenta de GitHub y completen los ejercicios solos o en grupo:

• Empiecen con un cuestionario previo a la clase.
• Lean la lección y completen las actividades, haciendo pausas y reflexionando en cada verificación de conocimiento.
• Intenten crear los proyectos comprendiendo las lecciones en lugar de ejecutar el código solución; sin embargo ese código está disponible en las carpetas /solution en cada lección orientada a proyectos.
• Realicen el cuestionario posterior a la clase.
• Completen el desafío.
• Completen la tarea.
• Después de completar un grupo de lecciones, visiten el Tablero de Discusión y "aprendan en voz alta" llenando la rúbrica PAT correspondiente. Un 'PAT' es una Herramienta de Evaluación de Progreso que completas para avanzar en tu aprendizaje. También puedes reaccionar a otros PAT para aprender juntos.

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

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

---

Videos explicativos

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

---

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 práctico y basado en proyectos y que incluya cuestionarios frecuentes. Además, este currículo tiene un tema común para darle cohesión.

Al asegurar que el contenido se alinee con proyectos, el proceso es más atractivo para los estudiantes y se mejora la retención de conceptos. Además, un cuestionario de bajo riesgo antes de la clase enfoca al estudiante en aprender un tema, mientras que un segundo después asegura una retención mayor. Este currículo fue diseñado para ser flexible y divertido y puede tomarse en su totalidad o en parte. Los proyectos comienzan pequeños y se vuelven progresivamente más complejos hacia el final del ciclo de 12 semanas. Este currículo también incluye un posfacio sobre aplicaciones reales de ML, que puede usarse como crédito extra o como base para discusión.

Encuentra nuestras guías de Código de Conducta, Contribución, Traducción y Solución de Problemas. ¡Esperamos tu retroalimentación constructiva!

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
• verificaciones de conocimiento
• un desafío
• lectura complementaria
• tarea
• cuestionario posterior a la lección

Una nota sobre los idiomas: Estas lecciones están principalmente escritas 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 R Markdown, definido simplemente como la integración de fragmentos de código (de R u otros lenguajes) y un encabezado YAML (que guía cómo formatear salidas como PDF) en un documento Markdown. Por lo tanto, sirve como un excelente marco de trabajo para autoría en ciencia de datos, ya que te permite combinar tu código, su salida y tus pensamientos escribiéndolos en Markdown. Además, los documentos R Markdown pueden renderizarse a formatos 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 enlazados dentro de las lecciones, pero la aplicación de cuestionarios puede ejecutarse localmente; siga las instrucciones en la carpeta quiz-app para alojar localmente o desplegar en Azure.

Número de lección	Tema	Agrupación de lecciones	Objetivos de aprendizaje	Lección enlazada	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 que subyace en este campo	Lección	Jen y Amy
03	Equidad y aprendizaje automático	Introducción	¿Cuáles son las cuestiones filosóficas importantes sobre equidad que los estudiantes deben considerar al construir y aplicar modelos ML?	Lección	Tomomi
04	Técnicas para el aprendizaje automático	Introducción	¿Qué técnicas usan los investigadores de ML para crear 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 en Norteamérica 🎃	Regresión	Visualizar y limpiar datos en preparación para ML	Python • R	Jen • Eric Wanjau
07	Precios de calabazas en Norteamérica 🎃	Regresión	Construir modelos de regresión lineal y polinómica	Python • R	Jen y Dmitry • Eric Wanjau
08	Precios de calabazas en Norteamérica 🎃	Regresión	Construir un modelo de regresión logística	Python • R	Jen • Eric Wanjau
09	Una aplicación web 🔌	Aplicación Web	Crear una aplicación web para usar tu modelo entrenado	Python	Jen
10	Introducción a la clasificación	Clasificación	Limpiar, preparar y visualizar datos; introducción a la clasificación	Python • R	Jen y Cassie • Eric Wanjau
11	Deliciosas cocinas asiáticas e indias 🍜	Clasificación	Introducción a los 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	Crear una aplicación web recomendadora usando tu modelo	Python	Jen
14	Introducción al agrupamiento	Agrupamiento	Limpiar, preparar y visualizar datos; Introducción al agrupamiento	Python • R	Jen • Eric Wanjau
15	Explorando gustos musicales nigerianos 🎧	Agrupamiento	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 fundamentos de PLN construyendo un bot simple	Python	Stephen
17	Tareas comunes de PLN ☕️	Procesamiento de lenguaje natural	Profundizar el conocimiento en PLN comprendiendo las tareas comunes requeridas para 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	⚡️ Consumo mundial de energía ⚡️ - predicción con ARIMA	Series temporales	Predicción de series temporales con ARIMA	Python	Francesca
23	⚡️ Consumo mundial de energía ⚡️ - predicción con SVR	Series temporales	Predicción de series temporales con regresión 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 reales de ML	ML en el mundo real	Aplicaciones interesantes y reveladoras del ML clásico	Lección	Equipo
Epílogo	Depuración de modelos en ML usando el panel RAI	ML en el mundo real	Depuración de modelos en aprendizaje automático utilizando 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 repositorio, escribe docsify serve. El sitio web será servido en el puerto 3000 en tu localhost: localhost:3000.

PDFs

Encuentra un pdf del plan de estudios con enlaces aquí.

🎒 Otros cursos

¡Nuestro equipo produce otros cursos! Mira:

LangChain

Azure / Edge / MCP / Agents

---

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 se reciben preguntas con gusto y se comparte el conocimiento libremente.

Si tienes comentarios sobre el producto o errores mientras construyes, visita:

---

Descargo de responsabilidad:
Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por lograr 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 realizada por humanos. No nos hacemos responsables por malentendidos o interpretaciones erróneas derivadas del uso de esta traducción.