¿Buscas un curso donde prender Machine Learning o mejorar tus habilidades? Aprende Machine Learning este año con estos cursos de primera línea. Incluye un plan de estudios y una guía de aprendizaje.

Intro al ML y su formación

Con fuertes raíces en la estadística, el Machine Learning se está convirtiendo en uno de los campos de las ciencias de la computación más emocionantes y rápidos. Hay un sinfín de industrias y aplicaciones que el Machine Learning puede hacer más eficientes e inteligentes.

Los chatbots, el filtrado de spam, el servicio de anuncios, los motores de búsqueda y la detección de fraudes son sólo algunos ejemplos de cómo los modelos de Machine Learning sustentan la vida cotidiana. El Machine Learning nos permite encontrar patrones y crear modelos matemáticos para cosas que a veces serían imposibles de hacer para los humanos.

Fuente: Payscale

A diferencia de los cursos de ciencia de datos, que contienen temas como el análisis exploratorio de datos, la estadística, la comunicación y las técnicas de visualización, los cursos de Machine Learning se centran en enseñar sólo los algoritmos de Machine Learning, cómo funcionan matemáticamente y cómo utilizarlos en un lenguaje de programación.

Ahora, es el momento de empezar. Aquí tienes un TL;DR de los cinco mejores cursos de Machine Learning para este año.

Los 7 mejores cursos de Machine Learning en 2023:

1. Machine Learning — Coursera
2. Deep Learning Specialization — Coursera
3. Machine Learning Crash Course — Google AI
4. Machine Learning with Python — Coursera
5. Advanced Machine Learning Specialization — Coursera
6. Machine Learning — EdX
7. Introduction to Machine Learning for Coders — Fast.aiachine Learning – Coursera
8. Machine Learning. Curso básico de Machine Learning y Python – Udemy

¿Qué hace que un curso de Machine Learning sea excelente?

Después de varios años de seguir el panorama del aprendizaje electrónico y de inscribirme en innumerables cursos de Machine Learning de varias plataformas, como Coursera, Edx, Udemy, Udacity y DataCamp, he recopilado los mejores cursos de Machine Learning disponibles actualmente.

Criterios

Cada curso de la lista está sujeto a los siguientes criterios.
El curso debe:

• Centrarse estrictamente en el Machine Learning.
• Utilizar lenguajes de programación gratuitos y de código abierto, como Python o R.
• Utilizar bibliotecas libres y de código abierto para esos lenguajes. Algunos instructores y proveedores utilizan paquetes comerciales, por lo que estos cursos se eliminan de la consideración.
• Contener tareas de programación para practicar y tener experiencia práctica
• Explicar cómo funcionan los algoritmos matemáticamente
• Ser autodidácticos, a la carta, o estar disponibles cada mes aproximadamente
• Tener instructores atractivos y clases interesantes
• Tener valoraciones y críticas por encima de la media en varios agregadores y foros

Con esto, el conjunto de cursos se reduce rápidamente, pero el objetivo es ayudarte a decidirte por un curso que merezca la pena.

Para sumergirte y aprender ML de la forma más rápida y completa posible, creo que también deberías buscar varios libros además de tu aprendizaje online. A continuación, te presento dos libros que tuvieron un impacto significativo en mi experiencia de aprendizaje y que se mantuvieron a distancia en todo momento.

Dos excelentes libros complementarios

Además de seguir cualquiera de los cursos en vídeo que se indican a continuación, si eres relativamente nuevo en el Machine Learning, deberías considerar la posibilidad de leer los siguientes libros

• Introduction to Statistical Learning

Este libro tiene explicaciones detalladas y directas y ejemplos para potenciar tu intuición matemática general para muchas de las técnicas fundamentales del Machine Learning. Este libro se centra más en la teoría, pero contiene muchos ejercicios y ejemplos que utilizan el lenguaje de programación R.

• Hands-On Machine Learning with Scikit-Learn and TensorFlow

Un buen complemento del libro anterior, ya que este texto se centra más en la aplicación del Machine Learning utilizando Python. Junto con cualquiera de los cursos siguientes, este libro reforzará tus conocimientos de programación y te mostrará cómo aplicar el Machine Learning a los proyectos de forma inmediata.

Ahora, pasemos a las descripciones y reseñas de los cursos.

---

#1 Machine Learning – Coursera

Este es el curso por el que se juzgan todos los demás cursos de Machine Learning. Este curso para principiantes está impartido y creado por Andrew Ng, profesor de Stanford, cofundador de Google Brain, cofundador de Coursera y el vicepresidente que hizo crecer el equipo de IA de Baidu hasta contar con miles de científicos.

El curso utiliza el lenguaje de programación de código abierto Octave en lugar de Python o R para las tareas. Esto puede ser un obstáculo para algunos, pero Octave es una forma sencilla de aprender los fundamentos del ML si eres un completo principiante.

En general, el material del curso está muy bien articulado por Ng y de forma intuitiva. Las matemáticas necesarias para entender cada algoritmo están completamente explicadas, con algunas explicaciones de cálculo y un repaso del álgebra lineal. El curso es bastante autocontenido, pero algunos conocimientos de Álgebra Lineal de antemano ayudarían.

Proveedor: Andrew Ng, Stanford

Coste: Gratis para asistir, 79 dólares para el certificado

Estructura del curso:

• Regresión lineal con una variable
• Repaso de álgebra lineal
• Regresión lineal con múltiples variables
• Tutorial de Octave/Matlab
• Regresión Logística
• Regularización
• Redes neuronales: Representación
• Redes neuronales: Aprendizaje
• Consejos para aplicar el Machine Learning
• Diseño de sistemas de Machine Learning
• Máquinas de vectores de apoyo
• Reducción de la dimensionalidad
• Detección de anomalías
• Sistemas de recomendación
• Machine Learning a gran escala
• Ejemplo de aplicación: OCR de fotos

Todo esto se cubre a lo largo de once semanas. Si puedes comprometerte a completar todo el curso, tendrás un buen conocimiento base del Machine Learning en unos cuatro meses.

Después, podrás pasar cómodamente a un tema más avanzado o especializado, como el Aprendizaje Profundo, la Ingeniería ML o cualquier otro que despierte tu interés.

Este es, sin duda, el mejor curso para empezar con un recién llegado.

#2 Deep Learning Specialization – Coursera

También impartido por Andrew Ng, esta especialización es una serie de cursos más avanzados para cualquier persona interesada en aprender sobre las redes neuronales y el Aprendizaje Profundo, y cómo resuelven muchos problemas.

Las tareas y las clases de cada curso utilizan el lenguaje de programación Python y emplean la biblioteca TensorFlow para redes neuronales. Naturalmente, se trata de una excelente continuación del curso de Machine Learning de Ng, ya que recibirás un estilo de conferencias similar, pero ahora estarás expuesto a la utilización de Python para el Machine Learning.

Proveedor: Andrew Ng, deeplearning.ai

Coste: Gratis para la auditoría, 49 $/mes para el certificado

Cursos:

1. Redes Neuronales y Aprendizaje Profundo
   • Introducción al Aprendizaje Profundo
   • Fundamentos de las redes neuronales
   • Redes neuronales superficiales
   • Redes neuronales profundas

1. Mejora de las redes neuronales: Ajuste de hiperparámetros, regularización y optimización
2. Estructuración de proyectos de Machine Learning
3. Redes neuronales convolucionales
4. Modelos secuenciales

Para entender los algoritmos presentados en este curso, deberías estar ya familiarizado con el Álgebra Lineal y el Machine Learning en general. Si necesitas algunas sugerencias para aprender las matemáticas necesarias, consulta la Guía de Aprendizaje al final de este artículo.

#3 Machine Learning Crash Course – Google AI

Este curso procede de Google AI Education, una plataforma completamente gratuita que es una mezcla de artículos, vídeos y contenido interactivo.

El curso acelerado de Machine Learning cubre los temas necesarios para resolver problemas de ML lo antes posible. Al igual que el curso anterior, Python es el lenguaje de programación elegido, y se introduce TensorFlow. Cada sección principal del plan de estudios contiene un cuaderno Jupyter interactivo alojado en Google Colab.

Las conferencias en vídeo y los artículos son sucintos y directos, por lo que podrás avanzar rápidamente por el curso a tu propio ritmo.

Proveedor: Google AI

Coste: Gratis

Plan de estudios (simplificado)

1. Regresión lineal y logística
2. Clasificación
3. Entrenamiento y pérdida
4. Reducción de pérdidas – descenso de gradiente, tasas de aprendizaje
5. TensorFlow
6. Sobreajuste
7. Conjuntos de entrenamiento, división y validación
8. Ingeniería de características y limpieza de datos
9. Cruces de características
10. Regularización – L1 y L2, Lambda
11. Métricas de rendimiento del modelo
12. Redes neuronales – de una y varias clases
13. Embeddings
14. Ingeniería de ML

Esta es la mejor opción de esta lista si has jugado con el ML pero buscas cubrir todas las bases. El curso trata muchos matices del Machine Learning que, de otro modo, podría llevar cientos de horas aprender de forma serendípica.

En el momento de escribir este artículo no parece haber un certificado de finalización, así que si eso es algo que buscas, este curso puede no ser el más adecuado.

#4 Machine Learning con Python – Coursera

Otro curso para principiantes, pero éste se centra únicamente en los algoritmos más fundamentales del Machine Learning. El instructor, las animaciones de las diapositivas y la explicación de los algoritmos se combinan muy bien para darte una sensación intuitiva de los fundamentos.

Este curso utiliza Python y es algo más ligero en cuanto a las matemáticas que hay detrás de los algoritmos. Con cada módulo, tendrás la oportunidad de cargar un cuaderno Jupyter interactivo en tu navegador para trabajar con los nuevos conceptos que acabas de aprender. Cada cuaderno refuerza tus conocimientos y te da instrucciones concretas para utilizar un algoritmo en datos reales.

Proveedor: IBM, Cognitive Class

Coste: Gratuito para la auditoría, 39 $/mes para el certificado

Estructura del curso:

• Introducción al Machine Learning
• Regresión
• Clasificación
• Clustering
• Sistemas de Recomendación
• Proyecto final

Una de las mejores cosas de este curso son los consejos prácticos que se dan para cada algoritmo. Cuando se presenta un nuevo algoritmo, el instructor te explica cómo funciona, sus pros y sus contras, y en qué tipo de situaciones deberías utilizarlo. Estos puntos suelen quedar fuera de otros cursos y esta información es importante para que los nuevos alumnos comprendan el contexto más amplio.

#5 Especialización en Machine Learning Avanzado – Coursera

Esta es otra serie de cursos avanzados que arroja una red muy amplia. Si estás interesado en cubrir tantas técnicas de Machine Learning como sea posible, esta Especialización es la clave para un plan de estudios online equilibrado y extenso.

La instrucción en este curso es fantástica: extremadamente bien presentada y concisa. Debido a su naturaleza avanzada, necesitarás más matemáticas que en cualquier otro curso de la lista hasta ahora. Si ya has hecho un curso para principiantes y has repasado el álgebra lineal y el cálculo, ésta es una buena opción para completar el resto de tus conocimientos de Machine Learning.

Gran parte de lo que se cubre en esta especialización es fundamental para muchos proyectos de Machine Learning.

Proveedor: Escuela Superior de Economía de la Universidad Nacional de Investigación

Coste: Gratis para la auditoría, 49$/mes para el Certificado

Cursos:

1. Introducción al aprendizaje profundo
   • Introducción a la Optimización
   • Introducción a las redes neuronales
   • Aprendizaje profundo para imágenes
   • Aprendizaje de representación no supervisado
   • Aprendizaje profundo para secuencias
   • Proyecto Final

2. Cómo ganar concursos de ciencia de datos: Aprende de los mejores Kagglers
3. Métodos bayesianos para el Machine Learning
4. Aprendizaje por Refuerzo Práctico
5. Aprendizaje profundo en visión por ordenador
6. Procesamiento del lenguaje natural
7. Cómo abordar los retos del Gran Colisionador de Hadrones mediante el Machine Learning

Se tarda entre 8 y 10 meses en completar esta serie de cursos, así que si empiezas hoy, en poco menos de un año habrás aprendido una gran cantidad de Machine Learning y podrás empezar a abordar aplicaciones más punteras.

A lo largo de los meses, también crearás varios proyectos reales que darán lugar a que un ordenador aprenda a leer, ver y jugar. Estos proyectos serán grandes candidatos para tu cartera y harán que tu GitHub parezca muy activo para cualquier empleador interesado.

#6 Machine Learning – EdX

Este es un curso avanzado con el prerrequisito matemático más alto de todos los cursos de esta lista. Necesitarás un conocimiento muy firme del álgebra lineal, el cálculo, la probabilidad y la programación. El curso tiene interesantes tareas de programación en Python u Octave, pero el curso no enseña ninguno de los dos lenguajes.

Una de las mayores diferencias de este curso es la cobertura del enfoque probabilístico del Machine Learning. Si estás interesado en leer un libro de texto, como Machine Learning: A Probabilistic Perspective (o la segunda edición del mismo)-que es uno de los libros de ciencia de datos más recomendados en los programas de máster-, este curso sería un complemento fantástico.

Proveedor: Columbia

Costo: Gratuito para auditar, 300 $ para el certificado

Estructura del curso:

• Estimación de máxima verosimilitud, regresión lineal, mínimos cuadrados
• Regresión Ridge, Sesgo-Varianza, Regla de Bayes, Inferencia Máxima a Posteriori
• Clasificación de Vecino más Cercano, Clasificadores Bayes, Clasificadores Lineales, Perceptrón
• Regresión Logística, Aproximación de Laplace, Métodos Kernel, Procesos Gaussianos
• Margen máximo, máquinas de vectores de apoyo (SVM), árboles, bosques aleatorios, refuerzo
• Clustering, K-Means, Algoritmo EM, Datos perdidos
• Mezclas de gaussianos, factorización de matrices
• Factorización de matrices no negativas, modelos de factores latentes, PCA y variaciones
• Modelos de Markov, modelos de Markov ocultos
• Modelos de espacio de estados continuos, análisis de asociación
• Selección de modelos, próximos pasos

Muchos de los temas enumerados se tratan en otros cursos dirigidos a principiantes, pero las matemáticas no se diluyen aquí. Si ya has aprendido estas técnicas, estás interesado en profundizar en las matemáticas que hay detrás del ML, y quieres trabajar en tareas de programación que deriven algunos de los algoritmos, entonces dale una oportunidad a este curso.

#7 Introducción al Machine Learning para programadores – Fast.ai

Fast.ai ha elaborado este excelente curso gratuito de Machine Learning para aquellos que ya tienen aproximadamente un año de experiencia en programación con Python.

Es sorprendente el tiempo y el esfuerzo que los fundadores de Fast.ai han dedicado a este curso, y a otros cursos de su sitio. El contenido se basa en el programa de Ciencia de los Datos de la Universidad de San Diego, por lo que verás que las clases se imparten en un aula con estudiantes, al estilo del MIT OpenCourseware.

El curso tiene muchos vídeos, algunos deberes, amplios apuntes y un foro de debate. Desgraciadamente, no encontrarás tareas y pruebas calificadas ni certificación al finalizar, por lo que Coursera/Edx sería una ruta mejor para ti si prefieres tener esas características.

Gran parte del contenido del curso es aplicado, por lo que aprenderás no sólo a utilizar los modelos de ML, sino también a lanzarlos en proveedores de la nube, como AWS.

Proveedor: Fast.ai

Coste: Gratis

Estructura del curso:

• Introducción a los bosques aleatorios
• Inmersión en los bosques aleatorios
• Rendimiento, validación e interpretación del modelo
• Importancia de las características. Intérprete de árboles
• Extrapolación y RF desde cero
• Productos de datos y codificación en vivo
• RF From Scratch y Gradient Descent
• Descenso de gradiente y regresión logística
• Regularización, tasas de aprendizaje y PNL
• Más PNL y Datos Columnares
• Embeddings
• Rossmann completo. Cuestiones éticas

Este curso es excelente si eres un programador que quiere aprender y aplicar técnicas de ML, pero me parece que hay un inconveniente: enseñan el Machine Learning mediante el uso de su biblioteca de código abierto (llamada fastai), que es una capa sobre otras bibliotecas de Machine Learning, como PyTorch.

Si sólo te interesa utilizar el ML para tu proyecto y no te interesa aprender algo como PyTorch, entonces la biblioteca fastai ofrece abstracciones convenientes.

#8 Machine Learning. Curso básico de Machine Learning y Python – Udemy

De entre los escasos cursos de Machine Learning en español, destaca esta formación creada por Redait Media por su fantástica relación entre el número de estudiantes que lo han cursado y su nota media.

Se trata de un curso de iniciación al Machine Learning de la mano de Python, presentado en un formato de clases en video con una dinámica metodología eminentemente práctica. Todos los temas principales, como el funcionamiento de cada una de las funciones y librerías del lenguaje o los diferentes algorítmos, se explican a través de claros ejemplos que ayudan a su comprensión sobremanera. Los videos se ofrecen bajo demanda y con acceso de por vida y se otorga un certificado a aquellos alumnos que logren completarlo.

Proveedor: Udemy

Coste: 94,99€

Estructura del curso:

• Configuración del entorno
• Curso básico de Python
• Módulo Numpy
• Módulo Pandas
• Módulo Matplotlib
• Módulo Seaborn
• Módulos Plotly y Cufflinks
• Módulo sckit-learn
• Regresión Lineal
• Regresión Logística
• Algoritmo de los k-vecinos más cercanos
• Algoritmo de árboles de decisión
• Algoritmo de Random Forest
• Algoritmo de máquinas de vectores de soporte
• Algoritmo de k-medias
• Exportar e importar
• Procesamiento del lenguaje natural

En las 7.5h de curso (que permiten su consecución en unas 2 semanas), el profesor se toma el tiempo de explicar primero cada una de las librerías en profundidad para luego poder trabajar de forma mas fluida con los algoritmos. Esto es algo que siempre se agracede y así se valora en las reviews del curso. Además, se trata de una formación «libre de paja», por lo que el tiempo se aprovecha, presentando el temario a un ritmo constante y una didáctica trabajada en consonancia con la calidad del contenido.

Es un curso recomendable para iniciarse en el mundo del machine learning con python, pero además para consolidar conceptos de dicha temática con python. Sin embargo, si ya tienes cierto nivel en el mundo de Machine Learning, será mejor que lo complementes con otro curso de nivel más avanzado para profundizar en los temás que más te interesen.

---

Guía de aprendizaje

Ahora que has visto las recomendaciones del curso, aquí tienes una guía rápida para tu viaje de aprendizaje del machine learning. En primer lugar, tocaremos los prerrequisitos para la mayoría de los cursos de Machine Learning.

Requisitos previos del curso

Los cursos más avanzados requerirán los siguientes conocimientos antes de empezar:

• Álgebra lineal
• Probabilidad
• Cálculo
• Programación

Estos son los componentes generales para poder entender cómo funciona el Machine Learning bajo el capó. Muchos cursos para principiantes suelen pedir al menos algo de programación y familiaridad con los fundamentos del álgebra lineal, como los vectores, las matrices y su notación.

El primer curso de esta lista, Aprendizaje Autom ático de Andrew Ng, contiene repasos de la mayoría de las matemáticas que necesitarás, pero puede ser un reto aprender Machine Learning y Álgebra Lineal si no has cursado Álgebra Lineal antes al mismo tiempo.

Si necesitas repasar las matemáticas necesarias, consulta

• Álgebra Matricial para Ingenieros de Coursera para cubrir el Álgebra Lineal
• Fat Chance: Probability from the Ground Up de EdX para cubrir la Probabilidad
• Cálculo de una sola variable del MIT OpenCourseWare para cubrir el Cálculo introductorio.
• CursoProgramming for Everybody de Coursera para aprender a programar en Python

Yo recomendaría aprender Python ya que la mayoría de los buenos cursos de ML utilizan Python. Si haces el curso de Machine Learning de Andrew Ng, que utiliza Octave, deberías aprender Python durante el curso o después, ya que lo necesitarás en algún momento. Además, otro excelente recurso de Python es dataquest.io, que tiene muchas lecciones gratuitas de Python en su entorno de navegador interactivo.

Después de aprender los requisitos esenciales, puedes empezar a entender realmente cómo funcionan los algoritmos.

Algoritmos fundamentales

Hay un conjunto básico de algoritmos en el Machine Learning con el que todo el mundo debería estar familiarizado y tener experiencia en su uso. Estos son

• Regresión lineal
• Regresión Logística
• agrupación de k-Means
• k-Nearest Neighbors (vecinos más cercanos)
• Máquinas de vectores de apoyo (SVM)
• Árboles de decisión
• Bosques aleatorios
• Bayas ingenuas

Estos son los esenciales, pero hay muchos, muchos más. Los cursos enumerados anteriormente contienen esencialmente todas ellas con alguna variación. Entender cómo funcionan estas técnicas y cuándo utilizarlas será fundamental a la hora de emprender nuevos proyectos.

Después de lo básico, algunas técnicas más avanzadas que hay que aprender serían

• Conjuntos
• Potenciación
• Reducción de la dimensionalidad
• Aprendizaje por refuerzo
• Redes neuronales y aprendizaje profundo

Esto es sólo un comienzo, pero estos algoritmos son los que se ven en algunas de las soluciones de Machine Learning más interesantes, y son adiciones prácticas a tu caja de herramientas.

Y al igual que las técnicas básicas, con cada nueva herramienta que aprendas deberías tener el hábito de aplicarla a un proyecto inmediatamente para solidificar tu comprensión y tener algo a lo que volver cuando necesites un repaso.

Abordar un proyecto

Aprender el Machine Learning en línea es un reto y muy gratificante. Es importante recordar que el mero hecho de ver vídeos y hacer pruebas no significa que estés aprendiendo realmente el material. Aprenderás aún más si tienes un proyecto paralelo en el que estés trabajando y que utilice datos diferentes y tenga otros objetivos que el propio curso.

En cuanto empieces a aprender lo básico, debes buscar datos interesantes que puedas utilizar mientras experimentas con tus nuevas habilidades. Los cursos anteriores te darán cierta intuición sobre cuándo aplicar determinados algoritmos, por lo que es una buena práctica utilizarlos en un proyecto propio inmediatamente.

Mediante la prueba y el error, la exploración y la retroalimentación, descubrirás cómo experimentar con diferentes técnicas, cómo medir los resultados y cómo clasificar o hacer predicciones. Si quieres inspirarte en qué tipo de proyecto de ML puedes emprender, consulta esta lista de ejemplos.

Abordar proyectos te proporciona una mejor comprensión de alto nivel del panorama del Machine Learning. A medida que te adentras en conceptos más avanzados, como el Aprendizaje Profundo, hay prácticamente un número ilimitado de técnicas y métodos que entender.

Lee las nuevas investigaciones

El Machine Learning es un campo en rápido desarrollo en el que cada día aparecen nuevas técnicas y aplicaciones. Una vez que hayas superado los fundamentos, deberías estar equipado para trabajar con algunos artículos de investigación sobre un tema que despierte tu interés.

Hay varios sitios web para recibir notificaciones sobre nuevos artículos que coincidan con tus criterios. Google Scholar es siempre un buen lugar para empezar. Introduce palabras clave como «Machine Learning» y «Twitter», o cualquier otra cosa que te interese, y pulsa el pequeño enlace «Crear alerta» de la izquierda para recibir correos electrónicos.

Convierte en un hábito semanal la lectura de esas alertas, ojea los artículos para ver si merece la pena leerlos, y luego comprométete a entender lo que está pasando. Si tiene que ver con un proyecto en el que estás trabajando, mira si puedes aplicar las técnicas a tu propio problema.

Conclusión

El Machine Learning es increíblemente agradable y emocionante de aprender y experimentar, y espero que hayas encontrado un curso arriba que se ajuste a tu propio viaje en este apasionante campo.

El Machine Learning constituye un componente de la Ciencia de los Datos. Si también te interesa aprender sobre estadística, visualización, análisis de datos y mucho más, asegúrate de consultar los mejores cursos de ciencia de datos, que es una guía que sigue un formato similar a éste.

Por último, si tienes alguna pregunta o sugerencia, no dudes en dejarla en los comentarios a continuación.