Árabe | Bengalí | Búlgaro | Birmano (Myanmar) | Chino (Simplificado) | Chino (Tradicional, Hong Kong) | Chino (Tradicional, Macao) | Chino (Tradicional, Taiwán) | Croata | Checo | Danés | Holandés | Estonio | Finlandés | Francés | Alemán | Griego | Hebreo | Hindi | Húngaro | Indonesio | Italiano | Japonés | Kannada | Coreano | Lituano | Malayo | Malabar | 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
¿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:
Bash / macOS / Linux:
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'CMD (Windows):
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 ofrece todo lo necesario para completar el curso con una descarga mucho más rápida.
Tenemos una serie en Discord para aprender con IA, aprende más y únete en Learn with AI Series del 18 al 30 de septiembre de 2025. Recibirás consejos y trucos para usar GitHub Copilot en Ciencia de Datos.
🌍 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 currículum de 12 semanas, con 26 lecciones, todo sobre Aprendizaje Automático. En este currículum, aprenderás lo que a veces se denomina aprendizaje automático clásico, usando principalmente Scikit-learn como biblioteca y evitando el aprendizaje profundo, que se cubre en nuestro currículo de AI para Principiantes. También combina estas lecciones con nuestro 'currículo de Ciencia de Datos para Principiantes'.
Viaja con nosotros por todo el mundo mientras aplicamos estas técnicas clásicas a datos de diversas regiones. Cada lección incluye cuestionarios antes y después de la lección, instrucciones escritas para completarla, una solución, una tarea y más. Nuestra pedagogía basada en proyectos te permite aprender mientras construyes, una forma probada para que las nuevas habilidades perduren.
✍️ 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
🎨 También agradecemos a nuestros ilustradores Tomomi Imura, Dasani Madipalli y Jen Looper
🙏 Agradecimientos especiales 🙏 a nuestros autores, revisores y colaboradores de contenido Microsoft Student Ambassadors, en particular Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila y Snigdha Agarwal
🤩 Extra gratitud a los Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi y Vidushi Gupta por nuestras lecciones de R!
Sigue estos pasos:
- Haz un Fork del Repositorio: Haz clic en el botón "Fork" en la esquina superior derecha de esta página.
- 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 currículum, realiza un fork completo del repositorio a tu cuenta de GitHub y completa los ejercicios solo o en grupo:
- Comienza con el cuestionario previo a la lección.
- Lee la lección y completa las actividades, deteniéndote y reflexionando en cada comprobación de conocimiento.
- Intenta crear los proyectos comprendiendo las lecciones en lugar de ejecutar el código solución; sin embargo, dicho código está disponible en las carpetas
/solutionen 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" llenando la rúbrica PAT correspondiente. Un 'PAT' es una Herramienta de Evaluación de Progreso que completas para avanzar en tu aprendizaje. También puedes reaccionar a otros PAT para que aprendamos juntos.
Para mayor estudio, recomendamos seguir estos módulos y rutas de aprendizaje de Microsoft Learn.
Profesores, hemos incluido algunas sugerencias sobre cómo usar este currículum.
Algunas lecciones están disponibles en formato de video corto. Puedes encontrar todos estos videos integrados en línea 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.
Gif por Mohit Jaisal
🎥 ¡Haz clic en la imagen de arriba para ver un video sobre el proyecto y las personas que lo crearon!
Hemos elegido dos principios pedagógicos al construir este currículum: asegurar que sea práctico y basado en proyectos y que incluya cuestionarios frecuentes. Además, este currículum tiene un tema común que le da cohesión.
Al asegurar que el contenido esté alineado con proyectos, el proceso es más atractivo para los estudiantes y la retención de conceptos se incrementa. 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 posterior a la clase asegura una retención adicional. Este currículum fue diseñado para ser flexible y divertido y puede tomarse completo o por partes. Los proyectos comienzan pequeños y se vuelven cada vez más complejos al final del ciclo de 12 semanas. Este currículum también incluye un posfacio sobre aplicaciones reales del ML, que puede utilizarse como crédito adicional o como base para discusión.
Encuentra nuestras guías de Código de Conducta, Contribuciones, Traducción y Solución de Problemas. ¡Esperamos tus comentarios constructivos!
- sketchnote opcional
- video suplementario opcional
- video explicativo (solo en algunas lecciones)
- cuestionario previo a la lección
- lección escrita
- para lecciones basadas en proyectos, guías paso a paso para construir el proyecto
- comprobaciones de conocimiento
- un desafío
- lectura suplementaria
- 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, vaya a la carpeta
/solutiony busque las lecciones en R. Incluyen una extensión .rmd que representa un archivo de R Markdown, que se puede definir simplemente como una incrustación defragmentos de código(de R u otros idiomas) y unencabezado YAML(que guía cómo formatear salidas como PDF) en undocumento Markdown. Como tal, sirve como un marco ejemplar de autoría para ciencia de datos, ya que permite combinar su código, su salida y sus pensamientos permitiéndole escribirlos en Markdown. Además, los documentos R Markdown pueden representarse en formatos de salida como PDF, HTML o Word.
Una nota sobre los cuestionarios: Todos los cuestionarios se encuentran en la carpeta de la aplicación de cuestionarios, con un total de 52 cuestionarios de tres preguntas cada uno. Están vinculados desde dentro de las lecciones, pero la aplicación de cuestionarios puede ejecutarse localmente; siga las instrucciones en la carpeta
quiz-apppara alojar localmente o desplegar en Azure.
| Número de lección | Tema | Agrupación de lección | Objetivos de aprendizaje | Lección vinculada | Autor |
|---|---|---|---|---|---|
| 01 | Introducción al aprendizaje automático | Introduction | Aprender los conceptos básicos del aprendizaje automático | Lesson | Muhammad |
| 02 | La historia del aprendizaje automático | Introduction | Aprender la historia subyacente de este campo | Lesson | Jen y Amy |
| 03 | Equidad y aprendizaje automático | Introduction | ¿Cuáles son las cuestiones filosóficas importantes sobre la equidad que los estudiantes deben considerar al construir y aplicar modelos de ML? | Lesson | Tomomi |
| 04 | Técnicas para el aprendizaje automático | Introduction | ¿Qué técnicas usan los investigadores de ML para construir modelos de ML? | Lesson | Chris y Jen |
| 05 | Introducción a la regresión | Regression | Comenzar con Python y Scikit-learn para modelos de regresión | Python • R | Jen • Eric Wanjau |
| 06 | Precios de calabazas en Norteamérica 🎃 | Regression | Visualizar y limpiar datos en preparación para ML | Python • R | Jen • Eric Wanjau |
| 07 | Precios de calabazas en Norteamérica 🎃 | Regression | Construir modelos de regresión lineal y polinómica | Python • R | Jen y Dmitry • Eric Wanjau |
| 08 | Precios de calabazas en Norteamérica 🎃 | Regression | Construir un modelo de regresión logística | Python • R | Jen • Eric Wanjau |
| 09 | Una aplicación web 🔌 | Web App | Construir una aplicación web para usar tu modelo entrenado | Python | Jen |
| 10 | Introducción a la clasificación | Classification | Limpiar, preparar y visualizar tus datos; introducción a la clasificación | Python • R | Jen y Cassie • Eric Wanjau |
| 11 | Deliciosas cocinas asiáticas e indias 🍜 | Classification | Introducción a los clasificadores | Python • R | Jen y Cassie • Eric Wanjau |
| 12 | Deliciosas cocinas asiáticas e indias 🍜 | Classification | Más clasificadores | Python • R | Jen y Cassie • Eric Wanjau |
| 13 | Deliciosas cocinas asiáticas e indias 🍜 | Classification | Construir una aplicación web de recomendación usando tu modelo | Python | Jen |
| 14 | Introducción al clustering | Clustering | Limpiar, preparar y visualizar tus datos; Introducción al clustering | Python • R | Jen • Eric Wanjau |
| 15 | Explorando gustos musicales nigerianos 🎧 | Clustering | Explorar el método de clustering K-Means | Python • R | Jen • Eric Wanjau |
| 16 | Introducción al procesamiento del lenguaje natural ☕️ | Natural language processing | Aprender lo básico sobre PLN construyendo un bot simple | Python | Stephen |
| 17 | Tareas comunes de PLN ☕️ | Natural language processing | Profundizar tus conocimientos en PLN entendiendo tareas comunes requeridas al tratar con estructuras de lenguaje | Python | Stephen |
| 18 | Traducción y análisis de sentimientos |
Natural language processing | Traducción y análisis de sentimientos con Jane Austen | Python | Stephen |
| 19 | Hoteles románticos de Europa |
Natural language processing | Análisis de sentimientos con reseñas de hoteles 1 | Python | Stephen |
| 20 | Hoteles románticos de Europa |
Natural language processing | Análisis de sentimientos con reseñas de hoteles 2 | Python | Stephen |
| 21 | Introducción a la predicción de series temporales | Time series | Introducción a la predicción de series temporales | Python | Francesca |
| 22 | ⚡️ Uso mundial de energía ⚡️ - predicción de series temporales con ARIMA | Time series | Predicción de series temporales con ARIMA | Python | Francesca |
| 23 | ⚡️ Uso mundial de energía ⚡️ - predicción de series temporales con SVR | Time series | Predicción de series temporales con regresor de vectores de soporte | Python | Anirban |
| 24 | Introducción al aprendizaje por refuerzo | Reinforcement learning | Introducción al aprendizaje por refuerzo con Q-Learning | Python | Dmitry |
| 25 | ¡Ayuda a Peter a evitar al lobo! 🐺 | Reinforcement learning | Aprendizaje por refuerzo Gym | Python | Dmitry |
| Posdata | Escenarios y aplicaciones de ML en el mundo real | ML in the Wild | Aplicaciones interesantes y reveladoras en el mundo real del ML clásico | Lesson | Equipo |
| Posdata | Depuración de modelos en ML usando el panel de control RAI | ML in the Wild | Depuración de modelos en Aprendizaje Automático usando componentes del panel de control Responsible AI | Lesson | Ruth Yakubu |
encuentra todos los recursos adicionales para este curso en nuestra colección Microsoft Learn
Puedes ejecutar esta documentación sin conexión utilizando 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.
Encuentra un pdf del plan de estudios con enlaces aquí.
¡Nuestro equipo produce otros cursos! Mira:
-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA){kind=icon}
-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC){kind=icon}
-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9){kind=icon}
Si te quedas atascado o tienes alguna pregunta sobre cómo crear 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 encuentras errores mientras desarrollas, visita:
- Revisa los cuadernos después de cada lección para una mejor comprensión.
- Practica implementando algoritmos por tu cuenta.
- Explora conjuntos de datos reales usando los conceptos aprendidos.
Aviso Legal: Este documento ha sido traducido utilizando el servicio de traducción automática Co-op Translator. Aunque nos esforzamos por lograr precisión, tenga en cuenta que las traducciones automáticas 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 humana. No nos hacemos responsables de malentendidos o interpretaciones erróneas que surjan del uso de esta traducción.