Biblioteca Abierta · SciTechBiz Institute

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
También disponible en inglés

Lo que aprenderás

Programa

Requisitos previosLecciones: 1
  1. Requisitos y trabajo previos
Regresión linealLecciones: 7
  1. Regresión lineal
  2. Regresión lineal: Pérdida
  3. Regresión lineal: Ejercicio de parámetros
  4. Regresión lineal: descenso de gradientes
  5. Regresión lineal: Hiperparámetros
  6. Regresión lineal: Ejercicio de descenso de gradientes
  7. Regresión lineal: Ejercicio de programación
Regresión logísticaLecciones: 3
  1. Regresión logística
  2. Regresión logística: Cómo calcular una probabilidad con la función sigmoidea
  3. Regresión logística: pérdida y regularización.
ClasificaciónLecciones: 7
  1. Clasificación
  2. Umbrales y matriz de confusión
  3. Clasificación: Exactitud, recuperación, precisión y métricas relacionadas
  4. Clasificación: ROC y AUC
  5. Clasificación: Sesgo de predicción
  6. Clasificación: clasificación de clases múltiples
  7. Clasificación: Ejercicio de programación
Cómo trabajar con datos numéricosLecciones: 10
  1. Cómo trabajar con datos numéricos
  2. Datos numéricos: cómo un modelo transfiere datos mediante vectores de atributos
  3. Datos numéricos: primeros pasos
  4. Datos numéricos: Ejercicios de programación
  5. Datos numéricos: Normalización
  6. Datos numéricos: discretización
  7. Datos numéricos: arrastre
  8. Datos numéricos: Cualidades de los buenos atributos numéricos
  9. Datos numéricos: Transformaciones polinómicas
  10. Datos numéricos: Conclusión
Cómo trabajar con datos categóricosLecciones: 5
  1. Cómo trabajar con datos categóricos
  2. Datos categóricos: Vocabulario y codificación one-hot
  3. Datos categóricos: Problemas habituales
  4. Datos categóricos: Combinaciones de atributos
  5. Datos categóricos: Ejercicios de combinación de atributos
Conjuntos de datos, generalización y sobreajusteLecciones: 11
  1. Conjuntos de datos, generalización y sobreajuste
  2. Conjuntos de datos: Características de los datos
  3. Conjuntos de datos: etiquetas
  4. Conjuntos de datos: Conjuntos de datos con desequilibrio de clases
  5. Conjuntos de datos: división del conjunto de datos original
  6. Transformar datos en conjuntos de datos
  7. Generalización
  8. Sobreajuste
  9. Sobreajuste: Complejidad del modelo
  10. Sobreajuste: regularización L2
  11. Sobreajuste: Interpretación de curvas de pérdida
Redes neuronalesLecciones: 6
  1. Redes neuronales
  2. Redes neuronales: Nodos y capas ocultas
  3. Redes neuronales: Funciones de activación
  4. Redes neuronales: Entrenamiento con propagación inversa
  5. Redes neuronales: Ejercicios interactivos
  6. Redes neuronales: Clasificación de clases múltiples
EmbeddingsLecciones: 4
  1. Embeddings
  2. Embeddings: espacio de embedding y embeddings estáticos
  3. Embeddings: ejercicios interactivos
  4. Cómo obtener embeddings
Introducción a los modelos de lenguaje grandesLecciones: 3
  1. Introducción a los modelos de lenguaje grandes
  2. LLM: ¿Cuál es un modelo grande de lenguaje?
  3. LLM: Ajuste, destilación e ingeniería de instrucciones
EquidadLecciones: 9
  1. Equidad
  2. Equidad: Tipos de sesgo
  3. Equidad: Identificación del sesgo
  4. Equidad: Mitigación de sesgos
  5. Equidad: Evaluar en función del sesgo
  6. Equidad: Paridad demográfica
  7. Equidad: Igualdad de oportunidades
  8. Equidad: Equidad contrafáctica
  9. Equidad: Ejercicio de programación
Sistemas de AA de producciónLecciones: 7
  1. Sistemas de AA de producción
  2. Sistemas de AA de producción: Entrenamiento estático versus dinámico
  3. Sistemas de AA de producción: Inferencia estática versus dinámica
  4. Sistemas de AA de producción: ¿Cuándo transformar los datos?
  5. Sistemas de AA de producción: Pruebas de implementación
  6. Sistemas de AA de producción: Supervisión de canalizaciones
  7. Preguntas para hacer sobre los sistemas de AA de producción
Aprendizaje automático automatizadoLecciones: 3
  1. Aprendizaje automático automatizado (AutoML)
  2. AutoML: Beneficios y limitaciones
  3. 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 licencia

Atribución

Fuente
Google
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.