Análisis de Clúster y Segmentación de clientes
por Edward Cruz Sauñe
Enseña a segmentar usuarios con K-means y clústeres jerárquicos en Python, incluyendo dendrogramas, medidas de distancia y la interpretación de los grupos.
Recomendado, valoración editorial 4 de 5
verificado 2026-10-01 — sigue siendo gratis en Udemy
Empezar en UdemyRespuesta rápida
Curso gratis de Datos e IA en Udemy impartido por Edward Cruz Sauñe (1 h 27 min). Nuestra valoración: 4/5, recomendado. Comprobamos que sigue siendo gratis el 1 de octubre de 2026.
- Veredicto
- 4/5 · Recomendado
- Para quién
- Personas con nociones básicas de Python que quieren aprender a segmentar clientes o usuarios con K-means y clustering jerárquico.
- Duración
- 1 h 27 min · 21 lecciones
- Precio
- Gratis en Udemy
- Autor
- Edward Cruz Sauñe
- Plan sugerido
- 2 sem. · 3 h/sem.
- Verificado
- el 1 de octubre de 2026
Nuestro veredicto
Recomendado, valoración editorial 4 de 5Curso breve y bien enfocado en segmentación con K-means y clustering jerárquico en Python, con progresión clara hasta la interpretación. Es adecuado como primera aproximación práctica, aunque no profundiza más allá de lo básico.
Puntos fuertes
- Cubre dos técnicas de clustering muy usadas, K-means y jerárquico, con aplicación práctica en Python.
- Recorrido claro: exploración, algoritmos y por último interpretación de resultados.
- Duración contenida (87 minutos en 21 lecciones), asumible en pocas sesiones.
A tener en cuenta
- Es un curso corto, así que probablemente no profundiza en otros métodos de clustering ni en validación avanzada.
- No se indica el año de publicación, por lo que no se puede juzgar la vigencia de las librerías usadas.
- La descripción incluye mucho texto genérico sobre clústeres empresariales que no aclara el contenido técnico exacto.
De qué trata
Curso de Udemy de 87 minutos y 21 lecciones sobre análisis de clúster y segmentación de clientes con Python. Se organiza en seis bloques: introducción al análisis de clúster, análisis exploratorio de datos, aplicación de K-means, clústeres jerárquicos, su aplicación en Python y la interpretación de los clusters.
Entre los contenidos figuran la teoría del algoritmo K-means, la optimización del número de clusters, las medidas de distancia y similitud, el gráfico de dendrograma y los gráficos Pairplot.
- Introducción teórica al algoritmo K-means
- Optimización del número de clusters
- Clústeres jerárquicos y dendrograma en Python
- Medidas de distancia y similitud
- Interpretación de clusters y gráficos Pairplot
Para quién es este curso
- Personas con nociones básicas de Python que quieren aprender a segmentar clientes o usuarios con K-means y clustering jerárquico.
- Estudiantes o analistas de datos que buscan una introducción práctica y breve al análisis de clúster.
- Perfiles de marketing o negocio con interés en datos que quieran entender cómo se agrupan clientes y cómo se interpretan los grupos.
Mejor busca otro si…
- Quien ya aplica K-means y dendrogramas habitualmente y busca técnicas avanzadas de clustering.
- Quien empieza sin ninguna base de Python: el curso aplica el código desde el análisis exploratorio.
Antes de empezar
- Conocimientos básicos de Python, ya que los capítulos aplican K-means y clústeres jerárquicos en código.
Qué sabrás hacer al terminar
- Entender qué es el análisis de clúster y cómo se usa en la segmentación de clientes.
- Aplicar el algoritmo K-means en Python y optimizar el número de clusters.
- Construir clústeres jerárquicos y representarlos con un dendrograma.
- Interpretar los clusters obtenidos a partir de los datos.
- Explorar los datos con gráficos Pairplot antes de segmentar.
Estructura del curso
- 01
Introducción al análisis de clúster
Presenta el análisis de clúster, los conceptos básicos de segmentación y las medidas de distancia y similitud que sirven de base para agrupar individuos.
- 02
Análisis exploratorio de datos
Explora el conjunto de datos antes de agrupar, con gráficos como el Pairplot según indica la descripción.
- 03
K-means
Introducción teórica al algoritmo y su aplicación, incluida la optimización del número de clusters.
- 04
Clústeres jerárquicos
Explica el enfoque jerárquico y su aplicación en Python, con el gráfico de dendrograma.
- 05
Interpretación de los clusters
Cierra con cómo leer e interpretar los grupos obtenidos.
Capítulos del vídeo
- 01Analisis de Cluster
- 02Analisis Explotario de Datos
- 03Aplicación de K-Means
- 04Clusters Jerarquicos
- 05Aplicacion de Cluster Jerarquico en python
- 06Interpretacion de los Clusters
Plan de estudio sugerido
2 semanas · unas 3 h por semana
- 1.Semana 1, sesión 1: capítulos de introducción al análisis de clúster y análisis exploratorio; reproduce los gráficos Pairplot con tus propios datos.
- 2.Semana 1, sesión 2: aplicación de K-means; prueba distintos números de clusters.
- 3.Semana 2, sesión 1: clústeres jerárquicos y su aplicación en Python; genera el dendrograma.
- 4.Semana 2, sesión 2: interpretación de los clusters; describe con tus palabras cada grupo y repite el proceso con otro conjunto de datos.
El plan cuenta con tiempo para pausar y practicar, no solo con la duración del vídeo. Si quieres adaptarlo a tu semana, lee cómo montar tu plan de estudio semanal.
Consejos para seguirlo
- Ten un entorno de Python listo antes de empezar y sigue el código en paralelo, pausando en cada aplicación práctica.
- Tras el capítulo de K-means, repite el ejercicio cambiando el número de clusters para comprobar cómo varían los grupos.
- Compara los resultados de K-means y del clúster jerárquico sobre los mismos datos para ver en qué coinciden.
- Usa un conjunto de datos propio o público para practicar la interpretación de los clusters.
Antes y después de este curso
- Antes de este cursoLearn Data Analysis with Python - Full CourseRefuerza el manejo de datos con Python, útil antes de aplicar clustering.
- Después de este cursoMachine Learning Course for BeginnersAmplía hacia otras técnicas de machine learning tras ver segmentación.
Cómo lo presenta Edward Cruz Sauñe
Aprende a Segmentar usuarios a travez de K-means y Dendrogramas en Python
El análisis cluster es un conjunto de técnicas multivariantes utilizadas para clasificar a un conjunto de individuos en grupos homogéneos. Pertenece, al igual que otras tipologías y que el análisis discriminante al conjunto de técnicas que tiene por objetivo la clasificación de los individuos Los clusters mejoran la…
Extracto de la descripción original en Udemy.
Preguntas frecuentes
+¿Cuánto dura el curso?
Son 87 minutos repartidos en 21 lecciones. Con pausas para practicar, puede completarse en unas dos semanas con pocas horas semanales.
+¿Qué técnicas de clustering cubre?
K-means, con su introducción teórica y la optimización del número de clusters, y los clústeres jerárquicos con dendrograma, aplicados en Python.
+¿Necesito saber Python?
Los capítulos aplican K-means y clustering jerárquico en Python, así que conviene tener una base del lenguaje. La descripción no detalla requisitos.
+¿Enseña a interpretar los resultados?
Sí, hay un capítulo dedicado a la interpretación de los clusters y la descripción menciona cómo interpretar un cluster.
Análisis editorial elaborado con ayuda de IA a partir de la descripción, los capítulos y la duración publicados en Udemy, y revisado según nuestro método. El contenido del curso es obra de Edward Cruz Sauñe; si ves algún error, avísanos.
Guías para sacarle partido
Más cursos de Datos e IA
CURSO COMPLETO de SQL y BASES DE DATOS Desde Cero (8 horas)
Curso desde cero de SQL y bases de datos con MySQL: instalación, modelado, consultas, agregaciones, JOINs, subconsultas, normalización y ejercicios integradores.
Curso COMPLETO de SQL y BASES DE DATOS Desde Cero para PRINCIPIANTES
Recorre SQL y bases de datos relacionales desde cero: consultas, escritura de datos, tablas, relaciones y joins, hasta índices, triggers y transacciones.
CURSO de MACHINE LEARNING desde CERO | (COMPLETO)
Recorre los principales algoritmos de regresión y clasificación con scikit-learn, con un caso práctico de precios de viviendas en California.
Curso de SQL desde CERO (Completo)
Recorre SQL desde cero: modelo ER, instalación, consultas, filtros, agregaciones, subconsultas y joins, hasta índices, transacciones y procedimientos almacenados, con un ejercicio final SQL + Python.