Machine learning básico para científicos de datos
por Federico Palmieri
Introduce los modelos de machine learning supervisados y no supervisados, sus algoritmos y el procedimiento completo, con una práctica en Python (Google Colab) y enfoque de negocio.
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 Federico Palmieri (1 h 59 min). Nuestra valoración: 4/5, recomendado. Comprobamos que sigue siendo gratis el 1 de octubre de 2026.
- Veredicto
- 4/5 · Recomendado
- Para quién
- Profesionales de datos o analistas que quieren una visión ordenada del machine learning supervisado y de cómo se construye un modelo predictivo.
- Duración
- 1 h 59 min · 13 lecciones
- Precio
- Gratis en Udemy
- Autor
- Federico Palmieri
- Plan sugerido
- 2 sem. · 3 h/sem.
- Verificado
- el 1 de octubre de 2026
Nuestro veredicto
Recomendado, valoración editorial 4 de 5Introducción compacta y bien estructurada al machine learning predictivo, que une teoría, procedimiento y una práctica completa en Python. Es especialmente útil para perfiles de datos o negocio que quieren una visión general con un caso aplicado, aunque no profundiza en cada algoritmo.
Puntos fuertes
- Combina teoría y una práctica completa de principio a fin.
- Usa bases públicas y Google Colab, lo que permite replicar los resultados.
- Estructura clara en bloques, con enfoque de negocio.
A tener en cuenta
- Con unas 2 horas, el tratamiento de algoritmos como árboles y redes neuronales será necesariamente introductorio.
- No se indica el año de publicación ni si hay ejercicios propuestos.
- La descripción no detalla el nivel de Python requerido.
De qué trata
El curso ofrece una introducción a los modelos de machine learning que combina fundamentos teóricos con una aplicación práctica, con enfoque de negocio. Tiene 13 lecciones y unas dos horas de duración.
Se organiza en una introducción, tres bloques teóricos (conceptos y tipos de modelos, algoritmos supervisados y procedimiento general), una aplicación práctica y un cierre. En la práctica se trabaja en Python con Google Colab y bases públicas: tratamiento de datos, aplicación del algoritmo y evaluación con métricas de bondad de ajuste.
- Modelos supervisados y no supervisados
- Algoritmos basados en árboles y redes neuronales
- Etapas: datos, entrenamiento, validación y evaluación
- Práctica en Python con Google Colab
- Enfoque de negocio en modelos predictivos
Para quién es este curso
- Profesionales de datos o analistas que quieren una visión ordenada del machine learning supervisado y de cómo se construye un modelo predictivo.
- Personas con perfil de negocio que necesitan entender el enfoque y las etapas de un proyecto de modelado predictivo.
- Quien ya programa algo en Python y busca un primer ejemplo completo en Google Colab.
Mejor busca otro si…
- Quien ya construye y evalúa modelos supervisados con regularidad y busca profundidad en algoritmos concretos.
Antes de empezar
- Nociones básicas de Python, ya que la parte práctica se hace en Google Colab (la descripción no indica si se enseña desde cero).
- Una cuenta de Google para usar Google Colab.
Qué sabrás hacer al terminar
- Entender la clasificación de los modelos de machine learning: supervisados (regresión y clasificación) y no supervisados.
- Reconocer cómo el tipo de datos influye en la elección del modelo.
- Identificar los principales algoritmos supervisados, incluidos los modelos basados en árboles y las redes neuronales.
- Seguir las etapas de un modelo predictivo: definición del problema, preparación de datos, entrenamiento, validación y evaluación.
- Implementar en Python un modelo completo y evaluarlo con métricas de bondad de ajuste.
Estructura del curso
- 01
Introducción
Presentación del curso y de su enfoque de negocio en modelos predictivos.
- 02
Bloque 1: Introducción al machine learning
Visión general del aprendizaje automático, clasificación de los modelos (supervisados y no supervisados) y tipos de datos.
- 03
Bloque 2: Algoritmos para modelos supervisados
Principales algoritmos para regresión y clasificación, incluidos los modelos basados en árboles y las redes neuronales.
- 04
Bloque 3: Procedimiento
Procedimiento general para desarrollar un modelo: definición del problema, preparación de los datos, entrenamiento, validación y evaluación.
- 05
Aplicación de un modelo de machine learning
Práctica en Python (Google Colab) con bases públicas: tratamiento de datos, aplicación del algoritmo y evaluación con métricas de bondad de ajuste.
- 06
Cierre
Repaso general y reflexiones sobre las aplicaciones prácticas del machine learning.
Capítulos del vídeo
- 01Introducción
- 02Teoría - Bloque 1: Introducción al machine learning
- 03Teoría - Bloque 2: Algoritmos para los modelos supervisados:
- 04Teoría - Bloque 3: Procedimiento
- 05Aplicación de un modelo de machine learning
- 06Cierre
Plan de estudio sugerido
2 semanas · unas 3 h por semana
- 1.Semana 1, sesión 1: Introducción y Bloque 1; anota la diferencia entre modelos supervisados y no supervisados.
- 2.Semana 1, sesión 2: Bloque 2 sobre algoritmos; resume para qué sirve cada uno.
- 3.Semana 2, sesión 1: Bloque 3 sobre el procedimiento; esquematiza las etapas.
- 4.Semana 2, sesión 2: Aplicación y Cierre; replica el modelo en Google Colab y prueba variaciones.
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
- Abre el cuaderno de Google Colab durante el capítulo de aplicación y ejecuta cada celda tú mismo, pausando para comprobar que obtienes los mismos resultados.
- Tras el Bloque 3, haz un esquema propio de las etapas del procedimiento y úsalo como guía al ver la práctica.
- Al terminar, repite el proceso con otra base pública distinta para consolidar el flujo completo.
Antes y después de este curso
- AlternativaCURSO de MACHINE LEARNING desde CERO | (COMPLETO)Otro curso completo de machine learning desde cero, para profundizar.
- AlternativaAprendiendo Machine Learning desde cero con Miss YeraIntroducción al machine learning desde cero en español.
- Antes de este cursoDescubre Python: La Llave Maestra para la Ciencia de DatosSirve para reforzar Python antes de la parte práctica.
Cómo lo presenta Federico Palmieri
Enfoque de negocio en la construcción e implementación de modelos predictivos usando machine learning
Este curso ofrece una introducción integral a los modelos de Machine Learning, combinando fundamentos teóricos con una aplicación práctica. Comienza con una visión general del aprendizaje automático y la clasificación de los modelos existentes, diferenciando entre modelos supervisados (regresión…
Extracto de la descripción original en Udemy.
Preguntas frecuentes
+¿Cuánto dura el curso?
Unas 2 horas (119 minutos) repartidas en 13 lecciones. Con pausas y práctica, cabe en unas dos semanas a 3 horas semanales.
+¿Qué herramientas se usan en la práctica?
Python en Google Colab, con bases de datos públicas para que puedas replicar los resultados mostrados en las clases.
+¿Qué tipos de modelos cubre?
Distingue modelos supervisados (regresión y clasificación) y no supervisados, y se centra en algoritmos supervisados como los basados en árboles y las redes neuronales.
+¿Se evalúa el modelo?
Sí, la fase práctica incluye la evaluación del desempeño mediante métricas de bondad de ajuste.
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 Federico Palmieri; 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 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.
(05/01/2026) - Mestrado: Machine Learning - Paulo Orenstein - Aula 01
Primera clase del curso de Machine Learning del IMPA, que sigue An Introduction to Statistical Learning en Python con un enfoque más matemático y más profundidad en deep learning.