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 | 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 llamada 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. Recibirás consejos y trucos para usar GitHub Copilot en Ciencia de Datos.

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 complace en ofrecer un plan de estudios de 12 semanas y 26 lecciones sobre Aprendizaje automático. En este plan de estudios, aprenderás sobre lo que a veces se llama aprendizaje automático clásico, utilizando principalmente Scikit-learn como biblioteca y evitando el deep learning, que se cubre en nuestro plan de estudios '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 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 forma probada de 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 nuestros ilustradores Tomomi Imura, Dasani Madipalli y Jen Looper

🙏 Agradecimientos especiales 🙏 a nuestros autores, revisores y colaboradores de contenido 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!

Cómo empezar

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 soluciones a problemas comunes con la instalación, configuración y ejecución de lecciones.

Estudiantes, para usar este plan de estudios, bifurca todo el repo 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, deteniéndote 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 de cada lección orientada a proyectos.
• Realiza el cuestionario posterior a la lección.
• Completa el reto.
• Completa la tarea.
• Después de completar un grupo de lecciones, visita el Foro de discusión y "aprende en voz alta" rellenando la rúbrica PAT correspondiente. Un 'PAT' es una Herramienta de Evaluación del Progreso que es una rúbrica que completas para profundizar 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.

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

---

Recorridos en vídeo

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

---

Conoce al equipo

Gif de Mohit Jaisal

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

---

Pedagogía

Hemos elegido dos principios pedagógicos al construir este plan de estudios: asegurarnos de 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 resulta más atractivo para los estudiantes y la retención de conceptos se verá aumentada. Además, un cuestionario de bajo riesgo antes de la clase establece 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 puede tomarse 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 posfacio sobre aplicaciones del mundo real del ML, que puede usarse como crédito extra o como base para la discusión.

Consulta nuestro Código de conducta, Contribuciones, Traducciones y pautas de Solución de problemas. ¡Agradecemos tus comentarios constructivos!

Cada lección incluye

• sketchnote opcional
• vídeo complementario opcional
• recorrido en vídeo (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
• verificaciones de conocimiento
• un reto
• lectura complementaria
• tarea
• cuestionario posterior a la lección

Una nota sobre los lenguajes: 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 R Markdown que puede definirse simplemente como una incrustación 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 ejemplar de autoría para ciencia de datos, ya que te permite combinar tu código, su salida y tus ideas al permitirte escribirlas en Markdown. Además, los documentos R Markdown se pueden renderizar en 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 enlazados 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 del aprendizaje automático	Lección	Muhammad
02	La historia del aprendizaje automático	Introducción	Aprende la historia que sustenta este campo	Lección	Jen and Amy
03	Equidad y aprendizaje automático	Introducción	¿Cuáles son las cuestiones filosóficas importantes sobre la equidad que los estudiantes deberían considerar al construir y aplicar modelos de aprendizaje automático?	Lección	Tomomi
04	Técnicas para el aprendizaje automático	Introducción	¿Qué técnicas usan los investigadores de ML para construir modelos de aprendizaje automático?	Lección	Chris and 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 and 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 and Cassie • Eric Wanjau
11	Deliciosas cocinas asiáticas e indias 🍜	Clasificación	Introducción a los clasificadores	Python • R	Jen and Cassie • Eric Wanjau
12	Deliciosas cocinas asiáticas e indias 🍜	Clasificación	Más clasificadores	Python • R	Jen and Cassie • Eric Wanjau
13	Deliciosas cocinas asiáticas e indias 🍜	Clasificación	Construye una aplicación web recomendadora utilizando 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 de Nigeria 🎧	Agrupamiento	Explora el método K-Means de agrupamiento	Python • R	Jen • Eric Wanjau
16	Introducción al procesamiento del lenguaje natural ☕️	Procesamiento del lenguaje natural	Aprende los conceptos básicos sobre PLN construyendo un bot simple	Python	Stephen
17	Tareas comunes de procesamiento del lenguaje natural ☕️	Procesamiento del lenguaje natural	Profundiza tus conocimientos de PLN entendiendo tareas comunes necesarias al tratar con estructuras de lenguaje	Python	Stephen
18	Traducción y análisis de sentimientos ♥️	Procesamiento del lenguaje natural	Traducción y análisis de sentimientos con Jane Austen	Python	Stephen
19	Hoteles románticos de Europa ♥️	Procesamiento del lenguaje natural	Análisis de sentimientos con reseñas de hoteles 1	Python	Stephen
20	Hoteles románticos de Europa ♥️	Procesamiento del lenguaje natural	Análisis de sentimientos 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 de energía mundial ⚡️ - predicción de series temporales con ARIMA	Series temporales	Predicción de series temporales con ARIMA	Python	Francesca
23	⚡️ Consumo de energía mundial ⚡️ - predicción de series temporales con SVR	Series temporales	Predicción 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
Posdata	Escenarios y aplicaciones reales del aprendizaje automático	ML in the Wild	Aplicaciones reales e interesantes del aprendizaje automático clásico	Lección	Team
Posdata	Depuración de modelos en ML utilizando el panel de RAI	ML in the Wild	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 de 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 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! Echa un vistazo:

LangChain

---

Azure / Edge / MCP / Agentes

---

Generative AI Series

---

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 mediante el servicio de traducción con IA Co-op Translator. Aunque nos esforzamos por ser precisos, tenga en cuenta que las traducciones automatizadas 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 una persona. No nos hacemos responsables de los malentendidos o interpretaciones erróneas que puedan surgir del uso de esta traducción.