Machine learning con Python y scikit-learn

Resumen del curso

El curso recorre el ciclo completo de un proyecto de aprendizaje automático con Python, desde el análisis exploratorio de los datos hasta la puesta a punto de los modelos predictivos. Las 149 clases se ordenan por fases —análisis, procesamiento, tratamiento, modelado, optimización y forecasting—, de modo que cada bloque se corresponde con una etapa real del trabajo con datos tabulares. El hilo conductor es scikit-learn, la librería que se emplea en todos los ejercicios, con Jupyter Notebook como entorno de trabajo.

El planteamiento es incremental: arranca desde cero en machine learning y se apoya en nociones intermedias de programación en Python. Cada técnica se introduce sobre un conjunto de datos concreto, que antes se visualiza, se depura y se transforma, porque buena parte del resultado depende de esa preparación previa. Los bloques de aprendizaje supervisado y no supervisado se abordan por separado, y hay un módulo adicional de procesamiento avanzado de datos para quien quiera profundizar en esa parte del flujo.

Al terminar, el alumno ha construido proyectos de regresión, de clasificación binaria y multiclase y de agrupamiento, con sus métricas de evaluación y la lectura de los resultados. También sabe optimizar hiperparámetros para que un modelo no funcione solo con los datos con los que se entrenó, e interpretar su salida distinguiendo lo que predice de verdad de lo que ha memorizado. Firman la formación el doctor Manuel Castillo y Álvaro García.

¿Qué es scikit-learn?

Scikit-learn es la librería de aprendizaje automático de referencia en Python para datos tabulares. Reúne bajo una interfaz homogénea los algoritmos clásicos de regresión, clasificación, agrupamiento y reducción de dimensionalidad, junto con las utilidades para dividir muestras, escalar variables, validar modelos y medir su error. Su valor no está en ofrecer los algoritmos más recientes, sino en que todos se manejan igual: se ajustan con un método y se predice con otro, lo que permite comparar alternativas sin reescribir el código del proyecto.

En la práctica profesional eso la convierte en la herramienta natural para el modelado predictivo sobre tablas de datos, el caso más frecuente tanto en empresa como en investigación. Frente a la estadística clásica, que busca explicar el fenómeno observado, aquí el objetivo es afinar la predicción, y la librería está pensada para iterar rápido en esa dirección encadenando preprocesado y modelo en flujos reproducibles que otra persona pueda repetir.

Qué aprenderás

• Aprender Machine Learning con Python de forma práctica, paso a paso y con casos reales.
• Aplicar técnicas de análisis y visualización de datos en un conjunto de datos complejo para problemas de machine learning.
• Aplicar técnicas de tratamiento de datos en un conjunto de datos para mejorar la robustez y métrica de salida de los diferentes algoritmos de machine learning.
• Comprender los diferentes mecanismos y técnicas para aplicar analítica predictiva en problemas de machine learning e interpretar la salida dada por los modelos.
• Comprender y analizar la fase del análisis de datos previos al modelado algorítmico en machine learning.
• Realizar modelos algorítmicos robustos con una optimización de sus hiperparámetros para la fase de predicción
• Desarrollar y analizar proyectos de machine learning como regresión, clasificación y multiclase.
• Utilizar librerías específicas de Python como scikit-learn para trabajos de Machine Learning
• Desarrollar y analizar proyectos de machine learning, Aprendizaje Supervisado, como regresión, clasificación y multiclase.
• Desarrollar y analizar proyectos de machine learning de Aprendizaje No Supervisado
• Al acceder a este curso formarás parte de una comunidad educativa especializada en la materia, que te dará soporte, recursos y asesoramiento de por vida.

Temario del curso

El programa se organiza en 13 bloques, con 149 clases en total:

1. Introducción a Udemy y Bienvenida al curso Machine Learning con Python.
2. Introducción al Machine Learning con Python.
3. Fase de Análisis de Datos
4. Fase de procesamiento de datos
5. Fase de tratamiento de datos.
6. Fase de Modelado.
7. Fase de optimización y forecasting
8. Proyectos de Machine Learning
9. Aprendizaje No supervisado
10. Modulo Extra: Procesamiento de datos avanzado
11. Solicitud del Certificado de Finalización del Curso.
12. Clases Extra
13. Contenido adicional

Qué aporta este curso

Frente a los cursos que se limitan a encadenar llamadas a funciones, esta formación dedica tres fases completas a los datos —análisis, procesamiento y tratamiento— antes de entrenar el primer algoritmo. Las 28,5 horas dan margen para detenerse en la interpretación de la salida de cada modelo y en la optimización de hiperparámetros, dos puntos que suelen quedar fuera en formaciones breves. El enfoque procede además del ámbito investigador, con casos pensados para quien necesita sintetizar grandes conjuntos de datos en una salida predictiva.

Este curso	28,5 horas
Media de la especialidad	16,9 horas
El más extenso de la especialidad	28,5 horas
Cursos en la especialidad	5

Para qué te sirve en el trabajo

Lo aprendido permite afrontar encargos de analítica predictiva sobre los datos de una organización: estimar una variable continua a partir de un histórico, clasificar registros en categorías, segmentar una cartera de clientes o detectar agrupaciones que nadie había etiquetado. Cubre también la parte menos visible de esos trabajos, que es preparar y depurar la tabla de partida, y justificar ante quien recibe el informe por qué un modelo resulta fiable y hasta dónde llega su margen de error.

¿Para quién es este curso?

Encaja con perfiles técnicos que ya programan algo en Python y quieren incorporar el modelado predictivo a su trabajo habitual: analistas, ingenieros, personal de laboratorio o de oficina técnica y estudiantado de últimos cursos. Resulta igualmente útil a investigadores que manejan grandes conjuntos de datos experimentales y necesitan convertirlos en una predicción o en una segmentación sin dedicarse a ello a tiempo completo.

No es el mejor punto de partida para quien nunca ha escrito una línea de código, porque el temario avanza sobre sintaxis y estructuras de Python que se dan por sabidas. Tampoco cubre aprendizaje profundo ni el trabajo con imágenes o con texto no estructurado: el foco está en datos tabulares y en los algoritmos clásicos que ofrece scikit-learn. Quien necesite modelar sin programar tiene en el catálogo una alternativa basada en un entorno gráfico.

Requisitos

• Para la realización de este curso (Machine Learning con Python) no se requieren grandes conocimientos previos, ya que la formación se acomete desde un nivel cero.
• Durante el curso trabajaremos con la última versión del programa, pero no te preocupes si tienes una versión anterior, ya que las distintas versiones difieren muy poco entre sí. Si existe algún cambio importante entre las distintas versiones hablaremos de ello durante la formación.
• Para la realización de este curso no vas a necesitar el equipo informático más potente del mercado, ya que el software empleado en la formación se encuentra perfectamente optimizado y su uso es muy fluido en todo tipo de equipos, tanto en PC como en Mac.
• Cuando compres el curso, podrás acceder a las clases cuando y donde quieras. El curso se queda en tu cuenta de Udemy para siempre. :)
• El más importante requisito para realizar este curso es el entusiasmo y la motivación por aprender nuevas habilidades que aumenten tus competencias profesionales.

Preguntas frecuentes

¿Cuánto dura el curso «Machine learning con Python y scikit-learn»?

El curso tiene 28,5 horas de vídeo bajo demanda, con 149 clases organizadas en 13 bloques temáticos. Al ser online y a tu ritmo, puedes repartir ese tiempo como te convenga, y el acceso no caduca.

¿Necesito conocimientos previos?

Requisitos del curso: Para la realización de este curso (Machine Learning con Python) no se requieren grandes conocimientos previos, ya que la formación se acomete desde un nivel cero; Durante el curso trabajaremos con la última versión del programa, pero no te preocupes si tienes una versión anterior, ya que las distintas versiones difieren muy poco entre sí. Si existe algún cambio importante entre las distintas versiones hablaremos de ello durante la formación; Para la realización de este curso no vas a necesitar el equipo informático más potente del mercado, ya que el software empleado en la formación se encuentra perfectamente optimizado y su uso es muy fluido en todo tipo de equipos, tanto en PC como en Mac; Cuando compres el curso, podrás acceder a las clases cuando y donde quieras. El curso se queda en tu cuenta de Udemy para siempre. :).

¿Incluye certificado al terminar?

Sí. Al completar el curso recibes un certificado de finalización de Udemy, descargable en PDF, que puedes añadir a tu CV o a tu perfil de LinkedIn.

¿Quién imparte el curso?

Lo imparte Álvaro García, arquitecto y diseñador gráfico con más de 20 años de experiencia, instructor Best-Seller en Udemy con 194.557 alumnos y 24.276 reseñas acumuladas, y docente en UEM, COAM y la Universidad de León.

¿El contenido está actualizado?

Sí. La última revisión del contenido es del 22 de octubre de 2026. El curso se actualiza periódicamente para seguir las nuevas versiones del software y los cambios en la práctica profesional.

¿Qué valoración tiene el curso?

Tiene una media de 4,47 sobre 5, calculada sobre 428 reseñas de alumnos verificados, y acumula 3.583 inscripciones.

¿Necesito instalar algo antes de empezar?

Sí. El curso se desarrolla en Python, con Jupyter Notebook como entorno y scikit-learn como librería principal, de modo que conviene tener esa instalación resuelta desde las primeras clases. No hace falta un equipo potente: el propio curso indica que el software empleado funciona con fluidez en ordenadores corrientes, y los módulos iniciales explican cómo preparar el entorno de trabajo.

¿Me sirve si trabajo en Mac?

Sí. Todo el software utilizado en la formación es multiplataforma y el curso señala expresamente que su uso resulta fluido tanto en PC como en Mac, sin necesidad de un equipo de altas prestaciones. Los cuadernos de Jupyter y el código de scikit-learn se ejecutan igual en ambos sistemas, por lo que no hay que adaptar los ejercicios.

¿Cubre solo predicción o también aprendizaje no supervisado?

Cubre las dos ramas. El cuerpo central del temario se dedica al aprendizaje supervisado, con proyectos de regresión, clasificación binaria y clasificación multiclase, y existe un bloque específico de aprendizaje no supervisado orientado al agrupamiento o clustering, que es el que se emplea cuando los datos no traen una etiqueta que predecir.

¿Hay proyectos completos o solo ejercicios sueltos?

El temario incluye un apartado propio de proyectos de machine learning, además de los ejercicios que acompañan a cada fase. La estructura por etapas está pensada precisamente para que un mismo conjunto de datos se arrastre desde el análisis inicial hasta el modelo optimizado, de forma que el alumno termine con casos cerrados y no con fragmentos de código aislados.

¿Qué diferencia hay entre análisis de datos y modelado predictivo?

El análisis de datos busca entender lo que ya ha ocurrido: describe, resume y visualiza para explicar un fenómeno. El modelado predictivo persigue otra cosa, que es acertar sobre casos nuevos, aunque el modelo no explique bien por qué. El curso recorre las dos etapas en ese orden, porque sin un análisis previo serio los modelos posteriores rinden peor.

¿Es válido para una tesis o un trabajo de investigación?

Está pensado también para ese uso. Uno de los perfiles a los que se dirige es el de estudiantado universitario, investigadores y personal técnico que necesita procesar grandes conjuntos de datos experimentales y resumirlos en una salida predictiva. El temario cubre la validación de los modelos y la interpretación de resultados, que es lo que suele exigirse al defender un trabajo.

¿Cuánto tardaré si dedico tres horas por semana?

Con 28,5 horas de vídeo, tres horas semanales suponen unas diez semanas de visionado. Conviene añadir un margen para reproducir el código y repetir los ejercicios con datos propios, de modo que un ritmo realista ronda los tres o cuatro meses. El acceso no caduca, así que se puede alternar con periodos de más carga de trabajo.

¿Dónde se compra y cómo accedo?

El curso está alojado en Udemy. Compras una sola vez y el acceso es de por vida, desde el navegador o la app móvil, con 30 días de garantía de devolución. Desde el botón de esta página llegas directamente a la ficha oficial del curso.

Otros cursos de datos y machine learning