- Machine Learning con Python
- Gráficos con Plotly y Python
- Webscrapping 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
- Procesos Estocásticos Discretos: Simulación, Estados y Tiempos de Absorción con PyDTMC
- Visualización Geospacial Avanzada con GeoPandas
- Regresión Logística Bayesiana con PyMC
- Geoestadística con PyKrige: Variogramas e Interpolación Espacial
- Fundamentos de Scikit-learn
- Conceptos Avanzados en Python
- Introducción a la Ciencia de Datos con Python
- Machine Learning en Python
- Algoritmos Avanzados en Python
- Series de Tiempo con Python
- SQL desde Python
- Manejo de datos en Pandas
- Gráficos en Matplotlib
- Aprendizaje por Refuerzo en Python
- Introducción a la estadística bayesiana con PyMC
- Visualización Geospacial Avanzada con PyGMT
- 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
- Análisis de Grafos en Python y NetworkX
- Deep Learning en Python y Tensorflow
- Aprendizaje Automático No Supervisado con Python
- Creación de Aplicaciones Web en Django y Python
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
- Aprendizaje Automático Supervisado
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.