ML-For-Beginners/translations/es

🌐 Soporte multilingüe

Compatible 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 | Finés | Francés | Alemán | Griego | Hebreo | Hindi | Húngaro | Indonesio | Italiano | Japonés | Kannada | 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 | Telugu | Tailandés | Turco | Ucraniano | Urdu | Vietnamita

Únete a nuestra comunidad

Tenemos una serie en Discord "Learn with AI" en curso; obtén más información y únete a nosotros en Serie Aprende con IA del 18 al 30 de septiembre de 2025. Obtendrás consejos y trucos para usar GitHub Copilot para Data Science.

Aprendizaje automático para principiantes - Un plan de estudios

🌍 Viaja por el mundo mientras exploramos el aprendizaje automático a través de las culturas del mundo 🌍

Los Cloud Advocates de Microsoft se complacen en ofrecer un plan de estudios de 12 semanas y 26 lecciones centrado en el Aprendizaje automático. En este plan de estudios, aprenderás sobre lo que a veces se denomina aprendizaje automático clásico, utilizando principalmente Scikit-learn como biblioteca y evitando el aprendizaje profundo, que se trata en nuestro plan de estudios de AI for Beginners. ¡Combina estas lecciones con nuestro plan de estudios 'Data Science for Beginners' también!

Viaja con nosotros por el 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 probada para que las nuevas habilidades se "queden".

✍️ 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

🙏 Agradecimiento especial 🙏 a nuestros autores, revisores y colaboradores de contenido que son Microsoft Student Ambassadors, 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!

Primeros pasos

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 las lecciones.

Estudiantes, para usar este plan de estudios, 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 cuestionario previo a la lección.
• Lee la lección y completa las actividades, pausando y reflexionando en cada verificación de conocimiento.
• Intenta crear los proyectos comprendiendo las lecciones en lugar de ejecutar el código de la solución; sin embargo, ese código está disponible en las carpetas /solution en cada lección orientada a proyectos.
• Realiza el cuestionario posterior a 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" completando la rúbrica PAT correspondiente. Un 'PAT' es una Progress Assessment Tool (Herramienta de Evaluación de Progreso) que es una rúbrica que completas para avanzar en tu aprendizaje. También puedes reaccionar a otros PATs para que podamos aprender juntos.

Para un estudio más profundo, recomendamos seguir estos módulos y rutas de aprendizaje de Microsoft Learn.

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

---

Tutoriales en video

Algunas de las lecciones están disponibles en formato de video corto. Puedes encontrarlos integrados 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 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 plan de estudios: asegurar que sea práctico y basado en proyectos y que incluya cuestionarios frecuentes. Además, este plan de estudios tiene un tema común para darle cohesión.

Al asegurar que el contenido se alinee con proyectos, el proceso se vuelve más atractivo para los estudiantes y la retención de conceptos se incrementará. Además, un cuestionario de bajo riesgo antes de una clase orienta la intención del estudiante hacia el aprendizaje de un tema, mientras que un segundo cuestionario después de la clase asegura una mayor retención. Este plan de estudios fue diseñado para ser flexible y divertido y se puede tomar 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 plan de estudios también incluye un postfacio sobre aplicaciones reales del ML, que puede usarse como crédito extra o como base para la discusión.

Consulta nuestro Código de conducta, Contribuir, Traducción y Solución de problemas. ¡Agradecemos tus comentarios constructivos!

Cada lección incluye

• sketchnote opcional
• video complementario opcional
• recorrido en video (solo algunas lecciones)
• cuestionario de calentamiento previo a la lección
• lección escrita
• para lecciones basadas en proyectos, guías paso a paso sobre cómo construir el proyecto
• comprobaciones de conocimiento
• un desafío
• lecturas complementarias
• 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 que puede definirse simplemente como una inserción de code chunks (de R u otros lenguajes) y un YAML header (que guía cómo formatear salidas como PDF) en un Markdown document. Como tal, sirve como un marco de autoría ejemplar para la ciencia de datos, ya que permite combinar tu código, su salida y tus pensamientos permitiéndote escribirlos en Markdown. Además, los documentos R Markdown se pueden renderizar a formatos de salida como PDF, HTML o Word.

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

Número de lección	Tema	Agrupación de lecciones	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 subyacente de este campo	Lección	Jen y Amy
03	Equidad y aprendizaje automático	Introducción	¿Cuáles son los importantes problemas filosóficos relacionados con la equidad 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	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	Crea 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	Deliciosas cocinas asiática e india 🍜	Clasificación	Introducción a los clasificadores	Python • R	Jen y Cassie • Eric Wanjau
12	Deliciosas cocinas asiática e india 🍜	Clasificación	Más clasificadores	Python • R	Jen y Cassie • Eric Wanjau
13	Deliciosas cocinas asiática e india 🍜	Clasificación	Construye una aplicación web recomendadora usando tu modelo	Python	Jen
14	Introducción al agrupamiento	Agrupamiento	Limpia, prepara y visualiza tus datos; introducción al agrupamiento	Python • R	Jen • Eric Wanjau
15	Explorando los gustos musicales nigerianos 🎧	Agrupamiento	Explora el método de agrupamiento K-Means	Python • R	Jen • Eric Wanjau
16	Introducción al procesamiento de lenguaje natural ☕️	Procesamiento de lenguaje natural	Aprende lo básico sobre NLP construyendo un bot sencillo	Python	Stephen
17	Tareas comunes de NLP ☕️	Procesamiento de lenguaje natural	Profundiza tus conocimientos de NLP comprendiendo las tareas comunes necesarias al trabajar 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 de Europa ♥️	Procesamiento de lenguaje natural	Análisis de sentimientos con reseñas de hoteles 1	Python	Stephen
20	Hoteles románticos de Europa ♥️	Procesamiento de lenguaje natural	Análisis de sentimientos con reseñas de hoteles 2	Python	Stephen
21	Introducción a la previsión de series temporales	Series temporales	Introducción a la previsión de series temporales	Python	Francesca
22	⚡️ Consumo de energía mundial ⚡️ - previsión de series temporales con ARIMA	Series temporales	Previsión de series temporales con ARIMA	Python	Francesca
23	⚡️ Consumo de energía mundial ⚡️ - previsión de series temporales con SVR	Series temporales	Previsión de series temporales con Support Vector Regressor	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	Gym de aprendizaje por refuerzo	Python	Dmitry
Postscript	Escenarios y aplicaciones del aprendizaje automático en el mundo real	ML en la vida real	Aplicaciones reales interesantes y reveladoras del ML clásico	Lección	Equipo
Postscript	Depuración de modelos en ML usando el panel RAI	ML en la vida real	Depuración de modelos en aprendizaje automático usando componentes del panel Responsible AI	Lección	Ruth Yakubu

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

Acceso sin conexión

Puedes ejecutar esta documentación sin conexión usando Docsify. Haz un fork de este repo, 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 en tu localhost: localhost:3000.

PDFs

Encuentra un pdf del plan de estudios con enlaces aquí.

🎒 Otros cursos

¡Nuestro equipo produce otros cursos! Échales un vistazo:

LangChain

---

Azure / Edge / MCP / Agentes

---

Serie de IA generativa

---

Aprendizaje principal

---

Serie Copilot

Obtener ayuda

Si te quedas atascado o tienes alguna pregunta sobre la creación de 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 comentarios sobre el producto o errores mientras construyes, visita:

---

Descargo de responsabilidad: Este documento ha sido traducido utilizando el servicio de traducción por IA Co-op Translator (https://github.com/Azure/co-op-translator). Aunque nos esforzamos por la exactitud, tenga en cuenta que las traducciones automatizadas pueden contener errores o inexactitudes. El documento original en su idioma debe considerarse la fuente autorizada. Para información crítica, se recomienda una traducción profesional realizada por un traductor humano. No nos hacemos responsables de malentendidos o interpretaciones erróneas que surjan del uso de esta traducción.