ML-For-Beginners/translations/es

🌐 Soporte Multilingüe

Soportado vía GitHub Action (Automatizado y Siempre Actualizado)

Árabe | Bengalí | Búlgaro | Burmés (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) | Panyabí (Gurmukhi) | Rumano | Ruso | Serbio (Cirílico) | Eslovaco | Esloveno | Español | Swahili | Sueco | Tagalo (Filipino) | Tamil | Telugu | Tailandés | Turco | Ucraniano | Urdu | Vietnamita

¿Prefieres Clonar Localmente?

Este repositorio incluye traducciones en más de 50 idiomas, lo que incrementa significativamente el tamaño de la descarga. Para clonar sin las 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 da todo lo que necesitas para completar el curso con una descarga mucho más rápida.

Únete a Nuestra Comunidad

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

Aprendizaje Automático para Principiantes - Un Currículo

🌍 Viaja alrededor del mundo mientras exploramos el Aprendizaje Automático a través de culturas del mundo 🌍

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. ¡Combina estas lecciones con nuestro currículo de Ciencia de Datos para Principiantes!

Viaja con nosotros por el mundo mientras aplicamos estas técnicas clásicas a datos de muchas regiones del mundo. Cada lección incluye cuestionarios antes y después, instrucciones escritas para completar la lección, una solución, una tarea y más. Nuestra pedagogía basada en proyectos te permite aprender construyendo, una forma comprobada para que las nuevas habilidades se "fijen".

✍️ Un cálido agradecimiento 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 Embajadores Estudiantiles de Microsoft autores, revisores y colaboradores de contenido, en especial Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, y Snigdha Agarwal

🤩 Gratitud extra a los Embajadores Estudiantiles de Microsoft 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 resolver problemas comunes con la instalación, configuración y ejecución de las lecciones.

Estudiantes, para usar este currículo, haz 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, haciendo pausas y reflexionando en cada evaluación de conocimiento.
• Intenta crear los proyectos comprendiendo las lecciones en lugar de ejecutar directamente el código solución; sin embargo, ese código está disponible en las carpetas /solution de 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 Foro de Discusión y "aprende en voz alta" llenando la rúbrica PAT correspondiente. Un 'PAT' es una Herramienta de Evaluación de Progreso, una rúbrica que completas para avanzar en tu aprendizaje. También puedes interactuar con otras PATs para que aprendamos juntos.

Para estudio adicional, recomendamos seguir estos módulos y rutas de aprendizaje de Microsoft Learn.

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

---

Videos explicativos

Algunas de las lecciones están disponibles en formato video corto. Puedes encontrar todos estos videos 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 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 se vuelve más atractivo para los estudiantes y la retención de conceptos se aumenta. Además, un cuestionario de bajo riesgo antes de la clase establece la intención del estudiante para aprender un tema, mientras que un segundo cuestionario después de la clase asegura una mayor retención. Este currículo fue diseñado para ser flexible y divertido y puede tomarse completo o en partes. Los proyectos empiezan pequeños y se vuelven progresivamente más complejos al final del ciclo de 12 semanas. Este currículo también incluye un posfacio sobre aplicaciones reales de ML, que puede usarse como crédito adicional o como base para discusión.

Consulta nuestro Código de Conducta, Contribuciones, Traducción y Solución de Problemas. ¡Agradecemos tus comentarios constructivos!

Cada lección incluye

• sketchnote opcional
• video complementario opcional
• vídeo explicativo (solo algunas lecciones)
• cuestionario previo a la lección
• lección escrita
• para lecciones basadas en proyectos, guías paso a paso para construir el proyecto
• evaluaciones de conocimiento
• un desafío
• lectura complementaria
• 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, dirígete 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 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 tanto, sirve como un marco ejemplar para la autoría en ciencia de datos ya que permite combinar tu código, su salida y tus reflexiones escribiéndolas 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 52 cuestionarios en total de tres preguntas cada uno. Están enlazados desde 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	Aprenda los conceptos básicos detrás del aprendizaje automático	Lección	Muhammad
02	Historia del aprendizaje automático	Introducción	Aprenda la historia que subyace en este campo	Lección	Jen y Amy
03	Equidad y aprendizaje automático	Introducción	¿Cuáles son los problemas filosóficos importantes sobre 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	Comience con Python y Scikit-learn para modelos de regresión	Python • R	Jen • Eric Wanjau
06	Precios de calabazas en Norteamérica 🎃	Regresión	Visualice y limpie datos en preparación para ML	Python • R	Jen • Eric Wanjau
07	Precios de calabazas en Norteamérica 🎃	Regresión	Construya modelos de regresión lineal y polinómica	Python • R	Jen y Dmitry • Eric Wanjau
08	Precios de calabazas en Norteamérica 🎃	Regresión	Construya un modelo de regresión logística	Python • R	Jen • Eric Wanjau
09	Una aplicación web 🔌	Aplicación web	Construya una aplicación web para usar su modelo entrenado	Python	Jen
10	Introducción a la clasificación	Clasificación	Limpie, prepare y visualice sus 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	Construya una aplicación web recomendadora usando su modelo	Python	Jen
14	Introducción a clustering	Clustering	Limpie, prepare y visualice sus datos; introducción al clustering	Python • R	Jen • Eric Wanjau
15	Explorando gustos musicales nigerianos 🎧	Clustering	Explore el método de clustering K-Means	Python • R	Jen • Eric Wanjau
16	Introducción al procesamiento de lenguaje natural ☕️	Procesamiento de lenguaje natural	Aprenda los conceptos básicos sobre PLN construyendo un bot simple	Python	Stephen
17	Tareas comunes de PLN ☕️	Procesamiento de lenguaje natural	Profundice su conocimiento de PLN entendiendo tareas comunes necesarias 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 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 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 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	Aprendizaje por refuerzo Gym	Python	Dmitry
Epílogo	Escenarios y aplicaciones reales de ML	ML en el mundo real	Aplicaciones interesantes y reveladoras en la vida real del ML clásico	Lección	Equipo
Epílogo	Depuración de modelos en ML usando el panel de RAI	ML en el mundo real	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 utilizando 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 se servirá en el puerto 3000 en su localhost: localhost:3000.

PDFs

Encuentre un pdf del currículo con enlaces aquí.

🎒 Otros cursos

¡Nuestro equipo produce otros cursos! Eche un vistazo:

LangChain

---

Azure / Edge / MCP / Agentes

---

Serie de IA generativa

---

Aprendizaje Fundamental

---

Serie Copilot

Obtener ayuda

Si te quedas atascado o tienes alguna pregunta sobre cómo construir aplicaciones de IA, únete a otros estudiantes 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 encuentras errores mientras desarrollas, visita:

---

Aviso Legal: Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por la precisión, 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 humanos. No nos responsabilizamos de ningún malentendido o interpretación incorrecta que pueda surgir del uso de esta traducción.