- Machine Learning con Python
- Gráficos con Plotly y Python
- Web Scraping con Python
- Introducción práctica a los métodos numéricos con Python
- Introducción a la computación cuántica con Qiskit
- Introducción a la programación con Python
- Gráficos con Python
- Visualización Geoespacial Avanzada con GeoPandas
- Geoestadística con PyKrige: Variogramas e Interpolación Espacial
- Conceptos Avanzados en Python
- Algoritmos Avanzados en Python
- SQL desde Python
- Manejo de datos en Pandas
- Gráficos en Matplotlib
- Inferencia Bayesiana Aplicada: Modelos Lineales Mixtos con Bambi
- Programación Orientada a Objetos en Python
- Inferencia Causal Práctica con DoWhy y Grafos Dirigidos (DAGs)
- Regex con Python desde Cero
- Visualización Geoespacial Avanzada con PyGMT
Python aplicado · MX
De novato a experto.
De novato a experto.
Aquí está todo lo que necesitas.
Cursos gratuitos para empezar. Cursos individuales para profundizar en cada tema. Bootcamps en vivo para construir algo real. La ruta completa, sin atajos.
lstm.py
import torch.nn as nn
class LSTMNet(nn.Module):
def __init__(self, vocab, hidden=128):
super().__init__()
self.embed = nn.Embedding(vocab, hidden)
self.lstm = nn.LSTM(hidden, hidden, batch_first=True)
self.head = nn.Linear(hidden, vocab)
def forward(self, x):
x = self.embed(x)
out, _ = self.lstm(x)
return self.head(out)
# next_token = model(seq).argmax(-1)Sin marketing-speak · sin permanencia · primer curso gratis
Paso 1 · Abrir
Python desde cero
12 capítulos · sin prerrequisitos · gratis
Incluye: variables, estructuras de datos, funciones, OOP, decoradores, iteradores, async / await, manejo de errores.
Sin Hola Mundo. Cada capítulo construye algo que puedes correr.
Paso 2 · Elegir rama
Ya que tengas las bases, escoge por dónde seguir.
- Inferencia Causal con Python y Causal ML
- Análisis Geoespacial con Python
- Visión Artificial con OpenCv
- Interpretabilidad de Modelos de ML
- Regresión Lineal Aplicada al Análisis de Datos
- Introducción a la Inferencia Estadística para el Analista de Datos
- Estadística Bayesiana con PYMC
- Deep Learning
- Procesos Estocásticos Discretos: Simulación, Estados y Tiempos de Absorción con PyDTMC
- Regresión Logística Bayesiana con PyMC
- Fundamentos de Scikit-learn
- Introducción a la Ciencia de Datos con Python
- Series de Tiempo con Python
- Introducción a la estadística bayesiana con PyMC
- Aprendizaje Automático No Supervisado con Python
- Aprendizaje Automático Supervisado
- Aprendizaje por Refuerzo en Python
- Deep Learning en Python y Tensorflow
- Análisis de Grafos en Python y NetworkX
- Machine Learning en Python
Paso 3 · En vivo
Bootcamps en vivo, 4 semanas.
Cuando ya tienes las bases y quieres construir algo real: 4 semanas de sesiones semanales, proyecto final público, repo con todo el código, Discord técnico. Cada bootcamp se compra por separado cuando se anuncia la fecha.
Empezar
¿Listo?
Si vas empezando, abre por el curso gratis. Si ya tienes bases, ve directo a tu rama.