Curso intensivo de aprendizaje automático
Curso intensivo de Google sobre aprendizaje automático: regresión lineal y logística, clasificación, datos numéricos y categóricos, sobreajuste, redes neuronales, embeddings, modelos de lenguaje grandes, equidad, sistemas de AA en producción y AutoML. Con ejercicios interactivos y de programación (Colab). Formación del SciTechBiz Institute con materiales abiertos de Google: texto bajo CC BY 4.0 y código bajo Apache 2.0.
- Google · CC BY 4.0 (texto) · Apache 2.0 (código)
- Lecciones: 76
- ≈ 15 h
- castellano

Lo que aprenderás
- Requisitos previos
- Regresión lineal
- Regresión logística
- Clasificación
- Cómo trabajar con datos numéricos
- Cómo trabajar con datos categóricos
- Conjuntos de datos, generalización y sobreajuste
- Redes neuronales
- Embeddings
- Introducción a los modelos de lenguaje grandes
- Equidad
- Sistemas de AA de producción
- Aprendizaje automático automatizado
Programa
Requisitos previosLecciones: 1
- Requisitos y trabajo previos
Regresión linealLecciones: 7
- Regresión lineal
- Regresión lineal: Pérdida
- Regresión lineal: Ejercicio de parámetros
- Regresión lineal: descenso de gradientes
- Regresión lineal: Hiperparámetros
- Regresión lineal: Ejercicio de descenso de gradientes
- Regresión lineal: Ejercicio de programación
Regresión logísticaLecciones: 3
- Regresión logística
- Regresión logística: Cómo calcular una probabilidad con la función sigmoidea
- Regresión logística: pérdida y regularización.
ClasificaciónLecciones: 7
- Clasificación
- Umbrales y matriz de confusión
- Clasificación: Exactitud, recuperación, precisión y métricas relacionadas
- Clasificación: ROC y AUC
- Clasificación: Sesgo de predicción
- Clasificación: clasificación de clases múltiples
- Clasificación: Ejercicio de programación
Cómo trabajar con datos numéricosLecciones: 10
- Cómo trabajar con datos numéricos
- Datos numéricos: cómo un modelo transfiere datos mediante vectores de atributos
- Datos numéricos: primeros pasos
- Datos numéricos: Ejercicios de programación
- Datos numéricos: Normalización
- Datos numéricos: discretización
- Datos numéricos: arrastre
- Datos numéricos: Cualidades de los buenos atributos numéricos
- Datos numéricos: Transformaciones polinómicas
- Datos numéricos: Conclusión
Cómo trabajar con datos categóricosLecciones: 5
- Cómo trabajar con datos categóricos
- Datos categóricos: Vocabulario y codificación one-hot
- Datos categóricos: Problemas habituales
- Datos categóricos: Combinaciones de atributos
- Datos categóricos: Ejercicios de combinación de atributos
Conjuntos de datos, generalización y sobreajusteLecciones: 11
- Conjuntos de datos, generalización y sobreajuste
- Conjuntos de datos: Características de los datos
- Conjuntos de datos: etiquetas
- Conjuntos de datos: Conjuntos de datos con desequilibrio de clases
- Conjuntos de datos: división del conjunto de datos original
- Transformar datos en conjuntos de datos
- Generalización
- Sobreajuste
- Sobreajuste: Complejidad del modelo
- Sobreajuste: regularización L2
- Sobreajuste: Interpretación de curvas de pérdida
Redes neuronalesLecciones: 6
- Redes neuronales
- Redes neuronales: Nodos y capas ocultas
- Redes neuronales: Funciones de activación
- Redes neuronales: Entrenamiento con propagación inversa
- Redes neuronales: Ejercicios interactivos
- Redes neuronales: Clasificación de clases múltiples
EmbeddingsLecciones: 4
- Embeddings
- Embeddings: espacio de embedding y embeddings estáticos
- Embeddings: ejercicios interactivos
- Cómo obtener embeddings
Introducción a los modelos de lenguaje grandesLecciones: 3
- Introducción a los modelos de lenguaje grandes
- LLM: ¿Cuál es un modelo grande de lenguaje?
- LLM: Ajuste, destilación e ingeniería de instrucciones
EquidadLecciones: 9
- Equidad
- Equidad: Tipos de sesgo
- Equidad: Identificación del sesgo
- Equidad: Mitigación de sesgos
- Equidad: Evaluar en función del sesgo
- Equidad: Paridad demográfica
- Equidad: Igualdad de oportunidades
- Equidad: Equidad contrafáctica
- Equidad: Ejercicio de programación
Sistemas de AA de producciónLecciones: 7
- Sistemas de AA de producción
- Sistemas de AA de producción: Entrenamiento estático versus dinámico
- Sistemas de AA de producción: Inferencia estática versus dinámica
- Sistemas de AA de producción: ¿Cuándo transformar los datos?
- Sistemas de AA de producción: Pruebas de implementación
- Sistemas de AA de producción: Supervisión de canalizaciones
- Preguntas para hacer sobre los sistemas de AA de producción
Aprendizaje automático automatizadoLecciones: 3
- Aprendizaje automático automatizado (AutoML)
- AutoML: Beneficios y limitaciones
- AutoML: Primeros pasos
Certificado y tutor de IA
Los miembros estudian estos cursos sin coste adicional. El certificado de aprovechamiento del SciTechBiz Institute y el tutor de IA se incluyen con la licencia.
Ver la licenciaAtribución
- Fuente
- Licencia
- CC BY 4.0 (texto) · Apache 2.0 (código)
- Versión
- web-2026-11-03
Basado en el «Curso intensivo de aprendizaje automático» («Machine Learning Crash Course»), de Google (developers.google.com; texto bajo CC BY 4.0, código bajo Apache 2.0)
Traducción y adaptación: SciTechBiz Institute
Google no respalda ni certifica esta formación.
Las fuentes citadas no respaldan ni certifican estos cursos; se usan bajo sus licencias abiertas, con atribución en cada lección.