232 clases · 9 partes — numeración secuencial 001-232. Cada parte tiene su propio README con la narrativa completa (de qué trata, qué problemas resuelve, resultados de aprendizaje, estructura temática y prerrequisitos).
| Parte | Tema | Clases | Estado | README de la parte |
|---|---|---|---|---|
| 0 | Prerrequisitos: Python, NumPy, pandas, visualización, SQL, APIs | 49 (001-049) | ✅ completa | 📘 leer parte 0 |
| 1 | Machine Learning clásico | 50 (050-099) | ✅ completa | 📘 leer parte 1 |
| 2 | Deep Learning (Keras, TF, PyTorch, Transformers, LLMs, RL, despliegue) | 75 (100-174) | ✅ completa | 📘 leer parte 2 |
| 3 | Estadística inferencial y causal | 19 (175-193) | ✅ completa | 📘 leer parte 3 |
| 4 | MLOps en producción | 14 (194-207) | ⏳ scaffold | 📘 leer parte 4 |
| 5 | Ingeniería de datos | 8 (208-215) | ⏳ scaffold | 📘 leer parte 5 |
| 6 | Sistemas de recomendación | 7 (216-222) | ⏳ scaffold | 📘 leer parte 6 |
| 7 | Ética, fairness, privacidad | 6 (223-228) | ⏳ scaffold | 📘 leer parte 7 |
| 8 | Capstones | 4 (229-232) | ⏳ scaffold | 📘 leer parte 8 |
A continuación, el índice plano de las 232 clases. Si buscas la narrativa de una parte, entra a su README (columna de arriba).
- 001 — Instalación de Python 3.12+ y entornos virtuales (venv, uv, conda)
- 002 — Jupyter y JupyterLab — kernels, magics, debugging, profiling
- 003 — Git y GitHub para data scientists
- 004 — Estructura reproducible de proyecto (cookiecutter-data-science)
- 005 — VS Code / Cursor para Python y Jupyter
- 006 — Python: tipos, estructuras, control de flujo
- 007 — Comprehensions y generadores
- 008 — Funciones: args, kwargs, lambdas, closures
- 009 — Manejo de excepciones y context managers
- 010 — OOP básico, dataclasses, herencia
- 011 — pathlib, lectura y escritura de archivos
- 012 — Logging
- 013 — Type hints y mypy
- 014 — NumPy: tipos, creación, atributos
- 015 — NumPy: ufuncs y vectorización
- 016 — NumPy: agregaciones
- 017 — NumPy: broadcasting
- 018 — NumPy: boolean masks y fancy indexing
- 019 — NumPy: ordenamiento y búsqueda
- 020 — NumPy: álgebra lineal con numpy.linalg
- 021 — NumPy: aleatoriedad y semillas
- 022 — Pandas: Series y DataFrame
- 023 — Pandas: indexación (loc, iloc, at, iat)
- 024 — Pandas: operaciones y alineación
- 025 — Pandas: datos faltantes
- 026 — Pandas: MultiIndex
- 027 — Pandas: concat, merge, join
- 028 — Pandas: groupby (split-apply-combine)
- 029 — Pandas: pivot tables y crosstab
- 030 — Pandas: operaciones vectorizadas sobre strings
- 031 — Pandas: series de tiempo, resampling, rolling
- 032 — Pandas: eval y query
- 033 — Polars: DataFrames modernos
- 034 — Parquet, Arrow, PyArrow, DuckDB
- 035 — Matplotlib: anatomía figura/axes
- 036 — Matplotlib: line, scatter, bar, histogram, boxplot
- 037 — Matplotlib: subplots y gridspec
- 038 — Matplotlib: legends, colorbars, ticks, anotaciones
- 039 — Matplotlib: stylesheets
- 040 — Matplotlib: 3D plotting
- 041 — Seaborn: distribuciones, relaciones, categóricas, facetas
- 042 — Visualización geográfica (Plotly / folium)
- 043 — SQL fundamental: SELECT, WHERE, JOIN, GROUP BY, HAVING
- 044 — SQL avanzado: CTEs, window functions, subqueries correlacionadas
- 045 — SQL desde Python: sqlite3, SQLAlchemy, DuckDB
- 046 — NoSQL: MongoDB con pymongo
- 047 — APIs REST con requests
- 048 — Web scraping con BeautifulSoup
- 049 — async / httpx / aiohttp para data scientists
- 050 — Panorama del ML: tipos, batch vs online, instance vs model-based
- 051 — Desafíos del ML: overfitting, underfitting, datos insuficientes
- 052 — Testing, validación, hyperparameter tuning, no free lunch theorem
- 053 — Validación temporal: TimeSeriesSplit, walk-forward, blocking
- 054 — Proyecto end-to-end: visión, datos, exploración, preparación
- 055 — Feature Engineering avanzado: target encoding + MICE imputation
- 056 — Selección y entrenamiento de modelo
- 057 — Fine-tuning: grid search y randomized search
- 058 — Optuna y HPO bayesiano dedicado
- 059 — Launch, monitoreo y mantenimiento de modelos
- 060 — Model Cards y Responsible ML
- 061 — CRISP-DM como framework metodológico
- 062 — Clasificación binaria con MNIST
- 063 — Métricas: confusion matrix, precision, recall, F1
- 064 — Class imbalance: SMOTE, ADASYN, class_weight, threshold tuning
- 065 — Precision/Recall tradeoff
- 066 — Curva ROC y AUC
- 067 — Clasificación multiclase, multilabel, multioutput
- 068 — Análisis de errores
- 069 — Regresión lineal: ecuación normal vs gradient descent
- 070 — Gradient Descent: batch, stochastic, mini-batch
- 071 — Regresión polinomial
- 072 — Curvas de aprendizaje y bias-variance tradeoff
- 073 — Regularización: Ridge, Lasso, Elastic Net
- 074 — Early stopping
- 075 — Regresión logística binaria y softmax
- 076 — Calibración de probabilidades: Platt, isotonic, temperature scaling
- 077 — SVM lineal
- 078 — SVM no lineal: kernel polinomial y RBF
- 079 — SVM para regresión (SVR)
- 080 — Árboles de decisión: entrenamiento, visualización, CART
- 081 — Regularización de árboles
- 082 — Regresión con árboles
- 083 — Voting classifiers: hard y soft
- 084 — Bagging y pasting
- 085 — Random Forests y Extra Trees
- 086 — Feature importance
- 087 — SHAP en profundidad: TreeExplainer, KernelExplainer, DeepExplainer
- 088 — Boosting: AdaBoost y Gradient Boosting
- 089 — XGBoost, LightGBM y CatBoost
- 090 — Stacking (stacked generalization)
- 091 — La maldición de la dimensionalidad
- 092 — PCA: proyección, varianza explicada, incremental, randomized, kernel
- 093 — LLE (Locally Linear Embedding)
- 094 — MDS, Isomap, t-SNE, UMAP, LDA
- 095 — Clustering K-Means: selección de K, MiniBatch
- 096 — DBSCAN
- 097 — Agglomerative, BIRCH, Mean Shift, Affinity Propagation, Spectral
- 098 — Gaussian Mixture Models
- 099 — Detección de anomalías: Isolation Forest, LOF, One-Class SVM
- 100 — Perceptrón, MLP y backpropagation
- 101 — Regresión y clasificación con MLP
- 102 — Keras Sequential API
- 103 — Keras Functional API y Subclassing
- 104 — Callbacks, TensorBoard, guardar/restaurar modelos
- 105 — Keras Tuner (+ Optuna, Ray Tune)
- 106 — Ray Tune: HPO distribuido y a escala
- 107 — Vanishing/exploding gradients
- 108 — Inicialización (Glorot, He)
- 109 — Activaciones: ReLU, ELU, GELU, Swish, Mish
- 110 — Batch Normalization, Layer Normalization
- 111 — Gradient clipping
- 112 — Transfer learning, unsupervised pretraining
- 113 — Optimizadores: Momentum, Nesterov, AdaGrad, RMSProp, Adam, AdamW (+ Lion, Sophia)
- 114 — Optimizadores modernos: Lion, Sophia, Schedule-Free
- 115 — Learning rate scheduling
- 116 — Regularización: L1/L2, dropout, max-norm, MC dropout (+ Stochastic Depth, DropPath)
- 117 — Regularización moderna: Stochastic Depth, DropPath, LayerDrop
- 118 — TensorFlow: tensores, variables, operaciones
- 119 — Losses, métricas, capas, modelos custom
- 120 — Funciones y grafos (autograph)
- 121 — Custom training loops (+ PyTorch & PyTorch Lightning)
- 122 — PyTorch fundamentos: tensores, autograd, nn.Module
- 123 — PyTorch Lightning: Trainer, callbacks, distributed
- 124 — tf.data API
- 125 — TFRecord
- 126 — Keras preprocessing layers
- 127 — TensorFlow Datasets (TFDS)
- 128 — Capas convolucionales, filtros, feature maps
- 129 — Pooling
- 130 — Arquitecturas CNN: LeNet, AlexNet, VGG, GoogLeNet, ResNet, Xception, SENet, EfficientNet, ConvNeXt
- 131 — Transfer learning con CNNs preentrenadas
- 132 — Localización, detección, segmentación (+ DETR, Segment Anything, YOLOv11)
- 133 — Segment Anything (SAM / SAM 2): foundation model para segmentación
- 134 — YOLOv11 práctico: detección, segmentación, pose, tracking
- 135 — RNNs: neuronas recurrentes, BPTT
- 136 — Forecasting de series con RNN
- 137 — LSTM, GRU
- 138 — 1D CNNs y WaveNet
- 139 — Generación de texto char-RNN
- 140 — Análisis de sentimiento
- 141 — Encoder-Decoder para traducción
- 142 — Mecanismos de atención
- 143 — Transformers: arquitectura, BERT, GPT (+ Flash Attention, RoPE, GQA)
- 144 — Flash Attention v2/v3, RoPE, GQA: el motor de los LLMs modernos
- 145 — Hugging Face Transformers (uso práctico)
- 146 — CLIP, SigLIP: multimodal embeddings (visión + texto)
- 147 — Whisper: ASR, transcripción, traducción de audio
- 148 — LLMs aplicados: fine-tuning, prompting (+ LoRA / QLoRA, DPO, vLLM)
- 149 — LoRA / QLoRA: fine-tuning eficiente de LLMs
- 150 — DPO y RLHF: alineamiento de LLMs
- 151 — vLLM y TGI: serving de LLMs en producción
- 152 — RAG básico y embeddings (+ hybrid search, re-ranking, MCP)
- 153 — MCP (Model Context Protocol): herramientas y datos para LLMs
- 154 — Agentes: tool use, ReAct, multi-agent
- 155 — LLM Evaluation: MMLU, MT-Bench, LLM-as-judge, evals propios
- 156 — Autoencoders: undercomplete, stacked, denoising, sparse
- 157 — Variational Autoencoders (VAE)
- 158 — GANs: DCGAN, Progressive GAN, StyleGAN
- 159 — Modelos de difusión (+ Stable Diffusion XL, ControlNet, LCM)
- 160 — Stable Diffusion XL + ControlNet en profundidad
- 161 — RL: aprendizaje por recompensa, Gymnasium (Farama)
- 162 — Policy gradients
- 163 — Markov Decision Processes
- 164 — TD Learning, Q-Learning, Deep Q-Networks
- 165 — RL moderno: A3C, PPO, SAC (vista general)
- 166 — TF Serving + gRPC (+ ONNX, TensorRT, vLLM/TGI)
- 167 — ONNX y ONNX Runtime: portabilidad e inference optimizada
- 168 — Despliegue en Vertex AI
- 169 — TF Lite (mobile/embedded)
- 170 — TensorFlow.js (navegador)
- 171 — Aceleración con GPU
- 172 — Entrenamiento multi-dispositivo, tf.distribute
- 173 — JAX y Flax: el stack moderno de Google para DL
- 174 — Entrenamiento a escala con Vertex AI
- 175 — Distribuciones: normal, binomial, Poisson, exponencial
- 176 — Test t (una muestra, dos muestras, pareado)
- 177 — Effect size dedicado: Cohen's d, Hedges' g, Cliff's δ con pingouin
- 178 — Test chi-cuadrado de independencia y bondad de ajuste
- 179 — ANOVA (one-way, two-way)
- 180 — Tests no paramétricos: Mann-Whitney, Wilcoxon, Kruskal-Wallis
- 181 — Corrección de comparaciones múltiples (Bonferroni, FDR)
- 182 — Intervalos de confianza
- 183 — Bootstrap y permutation tests
- 184 — BCa bootstrap y APIs modernas de scipy
- 185 — A/B testing: tamaño de muestra, poder estadístico
- 186 — CUPED, sequential testing, always-valid p-values
- 187 — Diseño experimental
- 188 — Inferencia causal: DAGs, confounders, instrumentos
- 189 — DoubleML / EconML: Machine Learning para causalidad
- 190 — Uplift modeling, DiD (difference-in-differences)
- 191 — Synthetic Control Method dedicado (pysyncon, SparseSC)
- 192 — Bayes intro: priors, posterior, MCMC con PyMC
- 193 — Stack bayesiano moderno: PyMC v5, NumPyro, ArviZ
- 194 — Versionado de datos con DVC
- 195 — Versionado de modelos y experimentos con MLflow
- 196 — Feature stores (Feast)
- 197 — CI/CD para ML con GitHub Actions
- 198 — Docker para empaquetar modelos
- 199 — APIs con FastAPI sirviendo modelos
- 200 — Kubernetes para servir modelos a escala
- 201 — Serverless ML: AWS Lambda, GCP Cloud Functions
- 202 — Monitoreo: data drift, model drift, alertas
- 203 — Reentrenamiento programado
- 204 — Shadow deployment y canary releases
- 205 — Interpretabilidad: SHAP, LIME, PDP, ICE
- 206 — Testing de datos: Great Expectations, Deequ
- 207 — Testing de modelos: invariance, behavioral tests
- 208 — Pipelines ETL/ELT con Airflow
- 209 — Pipelines con Prefect o Dagster
- 210 — PySpark para datasets grandes
- 211 — Polars como alternativa moderna
- 212 — Data warehouses: BigQuery, Snowflake, DuckDB
- 213 — Streaming intro: Kafka, Kinesis
- 214 — Formatos columnares: Parquet, Avro
- 215 — Modelado dimensional (star/snowflake schemas)
- 216 — Filtrado colaborativo user-based e item-based
- 217 — Factorización de matrices: SVD, ALS
- 218 — Content-based filtering
- 219 — Recomendadores híbridos
- 220 — Métricas: MAP@k, NDCG, recall@k
- 221 — Cold-start problem
- 222 — Librerías: LightFM, Implicit, Surprise