Curso 01 · 10 módulos
Python
De cero a producción con datos e IA
Aprende Python desde la sintaxis más básica hasta NumPy, Pandas, scikit-learn, PyTorch y el despliegue de modelos. El lenguaje que domina la ciencia de datos y el Machine Learning.
38 lecciones 26 horas 75 ejercicios 113 evaluaciones
Empezar · ¿Qué es Python y cómo preparar tu entorno? 0%completado
Completadas0 / 38
Módulos0 / 10
01
Introducción a Python
El lenguaje, el entorno, las variables y los operadores.
- 01 ¿Qué es Python y cómo preparar tu entorno? Tu primer programa, el REPL y las herramientas del curso
- 02 Variables y tipos de datos Nombres que apuntan a objetos, tipos que no se mezclan y conversiones que no pierden datos
- 03 Operadores y expresiones Aritmética, comparaciones, lógica booleana y el orden exacto en que Python evalúa cada símbolo
02
Estructuras de control
Decisiones y repetición: el corazón de todo programa.
03
Estructuras de datos
Texto, listas, tuplas, diccionarios, conjuntos y comprensiones.
- 06 Strings, índices y slicing Cómo leer, cortar y transformar texto sin mutarlo ni perder caracteres por el camino
- 07 Listas y tuplas Guardar colecciones ordenadas, modificarlas sin sorpresas y distinguir cuándo conviene que no cambien
- 08 Diccionarios y conjuntos Buscar por clave en tiempo constante y eliminar duplicados sin recorrer toda la colección
- 09 Recorridos y comprensiones Transformar colecciones con enumerate, zip y expresiones que caben en una línea legible
04
Funciones
Encapsular lógica, reutilizar código y controlar el alcance.
- 10 Funciones: parámetros y retorno Dar nombre a un cálculo, pasarle datos y devolver un resultado en lugar de imprimirlo
- 11 Argumentos flexibles y alcance de variables Recibir cualquier número de datos, entender dónde vive cada nombre y no compartir listas sin querer
- 12 Lambda, map/filter/reduce y recursividad Tratar funciones como datos, transformar colecciones sin bucles y resolver problemas que se llaman a sí mismos
05
Programación orientada a objetos
Modela el mundo con clases, herencia y composición.
- 13 Clases y objetos Agrupar datos y comportamiento en un mismo tipo, con estado propio para cada instancia
- 14 Herencia, polimorfismo y abstracción Reutilizar comportamiento sin copiarlo: super(), sobrescritura, clases abstractas y el orden de resolución MRO
- 15 Métodos especiales, propiedades y classmethods Cómo integrar tus clases con el lenguaje: __str__, __repr__, __eq__, operadores, @property, @classmethod y dataclasses
- 16 Composición y diseño de clases Construir objetos a partir de otros: responsabilidades pequeñas, inyección de dependencias y menos acoplamiento
06
Errores y archivos
Programas que no se caen y que leen datos reales.
07
Python avanzado
Generadores, decoradores, tipado, tests, logging y asincronía.
- 19 Iteradores y generadores Producir valores uno a uno, gastar memoria constante y entender qué hace realmente un bucle for
- 20 Closures y decoradores Envolver funciones para añadir comportamiento sin tocar su código: caché, tiempos, logs y reintentos
- 21 Type hints y dataclasses Anotar tipos para que el editor y mypy te avisen antes de ejecutar, y generar clases de datos sin repetir código
- 22 Módulos, paquetes y entornos virtuales Separar el código en archivos reutilizables y aislar las dependencias de cada proyecto
- 23 Testing, logging y debugging Comprobar que el código hace lo que dices, dejar rastro de lo que pasa y encontrar el fallo sin adivinar
- 24 Concurrencia, multiprocessing y asyncio Elegir hilos, procesos o corrutinas según el trabajo sea de entrada/salida o de CPU
08
Python para ciencia de datos
NumPy, Pandas, visualización y análisis exploratorio.
- 25 NumPy: vectores, matrices y vectorización Cambiar bucles por operaciones sobre arreglos completos, con control de formas y tipos
- 26 Pandas: Series y DataFrames La tabla que sí recuerda qué significa cada columna, cada fila y cada celda
- 27 Limpieza de datos Nulos, duplicados, tipos y valores extremos: decidir con criterio y dejar constancia
- 28 Matplotlib y Seaborn Figura, ejes y el gráfico que responde la pregunta en lugar de decorarla
- 29 Estadística y análisis exploratorio Media, dispersión y correlación: qué afirman los números y qué dejan fuera
09
Python para Machine Learning
Fundamentos, modelos clásicos, validación, redes y Transformers.
- 30 Fundamentos de Machine Learning Qué aprende un modelo, qué datos necesita y cómo se mide si sirve
- 31 Regresión lineal y logística Ajustar una recta, medir su error y convertirla en una probabilidad
- 32 Árboles de decisión y Random Forest De una tabla a preguntas encadenadas, y de un árbol a un bosque que no memoriza
- 33 K-Means y aprendizaje no supervisado Agrupar datos sin etiquetas: centroides, distancia y el método del codo
- 34 Validación y evaluación de modelos Cómo medir si un modelo servirá mañana y no solo si acertó ayer
- 35 Redes neuronales con PyTorch Tensores, gradientes automáticos y un perceptrón multicapa entrenado de principio a fin
- 36 NLP, embeddings y Transformers Cómo un texto se convierte en vectores, cómo la atención los mezcla y cómo se ajusta un modelo preentrenado
10
Proyectos reales
Del notebook a una API desplegada en producción.