0
Prerrequisitos
Entorno, Python aplicado, NumPy, pandas, visualización, SQL, NoSQL, APIs. La base sin la que nada del resto tiene sentido.
- 49 clases · 6 bloques temáticos
- Setup, Git, JupyterLab
- Datos tabulares, Polars, Parquet, async
Temario completo
Las 232 clases del programa (v3.8.0)
Pauta avanzada y completa: prerrequisitos (Python, NumPy, pandas, Polars/Arrow/DuckDB, viz, SQL, NoSQL, async), ML clásico (con Optuna, SHAP, calibración, Model Cards), Deep Learning (Keras + PyTorch + Lightning, CNN, Transformers, LLMs con LoRA/DPO/vLLM, multimodal CLIP/Whisper, MCP y agentes, SDXL/ControlNet, ONNX, JAX), estadística inferencial y causalidad moderna (DoubleML, Synthetic Controls, CUPED, PyMC v5), MLOps, ingeniería de datos, recomendadores, ética y capstones. Las 9 partes (232 clases) 100% completas y modernizadas 2024-2026.
1
Machine Learning clásico
Regresión, clasificación, ensembles (Random Forest, XGBoost, LightGBM, CatBoost), no supervisado, PCA, anomalías.
- 50 clases
- Optuna dedicado, SHAP, calibración, Model Cards
- Class imbalance + SMOTE, validación temporal
2
Deep Learning
Keras + PyTorch + Lightning, CNN (SAM, YOLOv11), Transformers + Flash Attention/RoPE/GQA, LLMs (LoRA/QLoRA, DPO, vLLM), multimodal (CLIP, Whisper), MCP + agentes ReAct, GANs, difusión (SDXL+ControlNet), RL, despliegue (ONNX, JAX, Vertex AI).
- 75 clases
- HuggingFace, fine-tuning moderno
- vLLM, ONNX, TensorRT, Vertex AI
3
Estadística inferencial
Hipótesis con effect size (Cohen's d), BCa bootstrap, A/B testing moderno (CUPED + sequential), diseño experimental, causalidad (DAGs, DoubleML/EconML, Synthetic Controls, uplift, DiD), Bayes con PyMC v5 + NumPyro + ArviZ.
- 19 clases
- Tests paramétricos / no paramétricos + effect size
- Causalidad ML-driven, stack bayesiano moderno
4
MLOps en producción
Docker, FastAPI, Kubernetes, MLflow, DVC, CI/CD, monitoreo de drift, interpretabilidad con SHAP, testing de datos.
- 14 clases
- Shadow y canary deployments
- Feature stores
5
Ingeniería de datos
Pipelines ETL/ELT con Airflow y Prefect, PySpark, Polars, data warehouses (BigQuery, Snowflake, DuckDB), streaming.
- 8 clases
- Formatos columnares
- Modelado dimensional
6
Sistemas de recomendación
Filtrado colaborativo, factorización de matrices (SVD, ALS), content-based, híbridos, métricas MAP@k / NDCG.
- 7 clases
- Cold start
- LightFM, Implicit, Surprise
7
Ética, fairness y privacidad
Sesgos algorítmicos, métricas de equidad, privacidad diferencial, federated learning, GDPR / AI Act, reproducibilidad.
- 6 clases
- Demographic parity, equalized odds
- Lock files y seeds
8
Capstones públicos
Tres proyectos end-to-end (tabular, NLP o series, visión) más portafolio público en GitHub Pages.
- 4 clases
- EDA → modelo → API → dashboard
- Presentación de resultados
Metodología
Cómo trabajamos en cada clase
Cada sesión sigue el mismo ciclo de cuatro pasos para que el aprendizaje sea sólido y no solo mecánico.
Entender
Se presenta el objetivo del bloque y por qué sirve en un problema real de datos.
Practicar
Se trabaja con ejemplos cortos, ejercicios guiados y variaciones para fijar la lógica.
Interpretar
El resultado no se deja solo en código: se traduce a una conclusión clara y comunicable.
Consolidar
Se revisan errores comunes, se guarda evidencia y se deja una tarea breve o reto.
Recursos
Lo que debes tener a mano como alumno
Repositorio del curso
Materiales, clases, datasets y estructura general del programa. Todo versionado y accesible.
Abrir repositorio →Datasets de práctica
Casos sintéticos para trabajar Python, pandas, gráficos e interpretación en cada clase.
Ver datasets →Notebooks y clases
Clases, notebooks, ejercicios y guías que el docente va liberando y usando en sala.
Ver clases →Vista institucional
Resumen del producto educativo, implementación y hoja de ruta del programa.
Abrir presentación →Descargar binarios (v3.8.0)
App Windows portable (Qt nativa, 274 MB), APK Android debug (139 MB) y bundles PDF/PPTX del curso completo. Release del 19 de junio de 2026 con SHA256SUMS.
Ir al release v3.8.0 →Uso de tecnología
Cómo usar herramientas digitales sin perder aprendizaje
Las herramientas digitales ayudan. No reemplazan el razonamiento ni la práctica.
Piensa primero
Antes de buscar una respuesta, intenta formular tu propia idea o hipótesis sobre el problema.
Consulta después
Usa herramientas digitales para comparar, aclarar o depurar, no para reemplazar todo el proceso.
Verifica siempre
Si una herramienta te entrega código o una explicación, revisa si responde al objetivo real del ejercicio.
Explica al final
Si no puedes explicar lo que hiciste con tus palabras, aún no está realmente aprendido.