Ciencia de Datos

Regresión lineal aplicada con Python

Primero ajustas una regresión OLS desde cero con NumPy. Terminas con un modelo de precios de vivienda listo para presentar. Si ya programas en Python y usas pandas, estás listo.

  • 31 lecciones
  • ~6 h
  • Certificado verificable
Imagen de Regresión lineal aplicada con Python

$399 MXN · pago único

Sin crear cuenta · Pago seguro con Stripe · Acceso inmediato a tu correo

Ve 2 lecciones gratis →

# requisitos

¿Es para mí?

Necesitas

  • Python básico (funciones, listas, bucles)
  • pandas básico (cargar, filtrar y limpiar un DataFrame)

No necesitas

  • Ser matemático
  • Saber machine learning
  • Haber llevado cursos de estadística

# proyectos

Lo que vas a construir

  1. Modelo de precios de vivienda

    Tu proyecto final: un modelo de regresión de precios de vivienda listo para presentar.

  2. Diagnóstico de un modelo de consumo

    Revisas residuos, supuestos e inferencia de un modelo completo en un notebook.

  3. Regularización con Ames Housing

    Comparas Ridge, Lasso y Elastic Net sobre un dataset real de vivienda.

# temario

¿Qué vas a aprender?

01 Fundamentos de OLS e interpretación 5 lecciones
  1. Galton y el origen de la palabra regresión 4:32
  2. Conceptos clave de la regresión lineal preview gratis
  3. Matemáticas de la regresión lineal preview gratis
  4. Lectura: fundamentos teóricos de OLS 10:00
  5. Notebook: OLS desde cero y con statsmodels 25:00
02 Preparación de datos para regresión 6 lecciones
  1. Reinhart y Rogoff: un error de datos con impacto en política económica 5:07
  2. Limpieza de datos para regresión 7:07
  3. Manejo de variables categóricas 7:30
  4. Lectura: preparación de datos y fuga de información 6:40
  5. Pipelines de preprocesamiento con ColumnTransformer 7:17
  6. Notebook: transformaciones y pipeline completo 25:00
03 Modelado, diagnóstico e inferencia 7 lecciones
  1. El cuarteto de Anscombe: mismas métricas, datos distintos 4:02
  2. Construcción del modelo de regresión 7:57
  3. Métricas de evaluación: R², RMSE y MAE 7:11
  4. Diagnóstico de supuestos con residuos 8:35
  5. Inferencia con statsmodels: p-valores, intervalos y errores robustos 7:20
  6. Quiz: modelado, diagnóstico e inferencia 10:00
  7. Notebook: diagnóstico completo de un modelo de consumo 25:00
04 Sobreajuste, validación y regularización 6 lecciones
  1. Google Flu Trends: cuando muchos predictores engañan 4:54
  2. Sobreajuste y validación cruzada 6:35
  3. Ridge: regularización L2 7:41
  4. Lasso y Elastic Net: selección de variables 6:54
  5. Lectura: elegir alpha y comparar modelos regularizados 15:00
  6. Notebook: regularización con el dataset Ames Housing 30:00
05 Regresión en escenarios reales y proyecto final 7 lecciones
  1. Zillow Offers: predecir precios y comprar con esas predicciones 5:00
  2. Caso práctico: análisis de ventas 6:49
  3. Caso práctico: predicción de tendencias 6:41
  4. Intervalos de predicción vs. intervalos de confianza 6:11
  5. Lectura: del modelo al negocio 10:00
  6. Quiz: aplicaciones en la realidad 8:20
  7. Proyecto final: modelo de precios de vivienda 45:00
Guillermo Izquierdo Colin

# quién enseña

Guillermo Izquierdo Colin

Fundador de PyPro

Uso Python todos los días en el trabajo para medir, modelar y automatizar. En PyPro enseño ese mismo trabajo, sin relleno: código que corre y proyectos que puedes mostrar. Si el contenido no cubre tu duda, te respondo en Discord.

  • Maestría en ingeniería financiera
  • Más de 10 años de experiencia
  • Dirige analítica de marketing en una empresa de medios
  • Construyó pypro.mx

# dudas

Preguntas frecuentes

¿Necesito crear una cuenta?

No. Pagas y te llega el acceso a tu correo.

¿Cómo puedo pagar?

Con tarjeta a través de Stripe.

¿Cuánto tiempo tengo acceso?

Acceso permanente, a tu ritmo.

¿Incluye certificado?

Sí, verificable.

¿Necesito saber estadística o matemáticas?

No necesitas una base previa fuerte. El curso explica las matemáticas de la regresión lineal y los fundamentos de OLS antes de usarlos en código.

¿Qué librerías voy a usar?

NumPy para construir OLS desde cero, statsmodels para inferencia (p-valores, intervalos y errores robustos) y scikit-learn para pipelines, validación cruzada y regularización.

¿Solo voy a predecir o también a interpretar?

Ambas cosas. Aprendes métricas como R², RMSE y MAE, diagnosticas supuestos con residuos e interpretas coeficientes con criterio estadístico.

¿Se ve qué hacer cuando el modelo se sobreajusta?

Sí. Un módulo completo cubre sobreajuste, validación cruzada y regularización con Ridge, Lasso y Elastic Net, incluyendo cómo elegir alpha.

Empieza hoy, a tu ritmo

$399 MXN · pago único

Sin crear cuenta · Pago seguro con Stripe · Acceso inmediato a tu correo

Ve 2 lecciones gratis →