Aquí conviven dos perfiles distintos: el analista de datos (Excel, Power BI, SQL, pandas, storytelling) y el de machine learning (modelos, deep learning, NLP). El primero consigue trabajo más rápido; el segundo exige más matemáticas y más tiempo.
Como ingeniero en sistemas inteligentes, mi recomendación es no saltarse la estadística: los cursos que la explican bien tienen mejor puntaje de contenido en este ranking.
Federico Garay, Escuela Directa
El curso de Power BI con más práctica y el ciclo más completo, de Power Query a la publicación y la inteligencia de tiempo; «analista avanzado» en 15 horas es optimista.
Santiago Hernández
El curso de ML en español que mejor explica por qué funcionan los algoritmos, con un proyecto completo y casos de ciberseguridad; la evaluación de modelos no tiene sección propia.
Javier Gomez, datdata – Cursos
El curso de Power BI más probado en español, con un proyecto completo y ETL sobre 40 millones de registros; su temario es poco detallado y no muestra el servicio de Power BI ni Copilot.
Ordenado por Puntaje RDC. ¿Cómo se calcula?
Datos y ML Federico Garay, Escuela Directa
El curso de Power BI con más práctica y el ciclo más completo, de Power Query a la publicación y la inteligencia de tiempo; «analista avanzado» en 15 horas es optimista.
Datos y ML Santiago Hernández
El curso de ML en español que mejor explica por qué funcionan los algoritmos, con un proyecto completo y casos de ciberseguridad; la evaluación de modelos no tiene sección propia.
Datos y ML Javier Gomez, datdata – Cursos
El curso de Power BI más probado en español, con un proyecto completo y ETL sobre 40 millones de registros; su temario es poco detallado y no muestra el servicio de Power BI ni Copilot.
Datos y ML Santiago Hernández
La mejor explicación en español de cómo aprende una red neuronal, de la neurona a los optimizadores; no incluye redes convolucionales, recurrentes ni transformers.
Datos y ML Manuel Castillo-Cara
Un recorrido sólido y muy práctico por redes densas, convolucionales y recurrentes con Keras; exige base de machine learning y se detiene antes de los transformers.
Datos y ML DataBoosters Academy, Juan Carlos Hernandez Ramirez
La entrada más actual a Power BI, fuerte en visualización y con Copilot integrado; su DAX se queda en lo básico y Copilot exige una licencia de pago que muchos no tienen.
Datos y ML Manuel Castillo-Cara
Una ruta ordenada y práctica por el NLP con deep learning, de la limpieza de texto a los embeddings y los modelos de lenguaje; los transformers ocupan 12 de 132 elementos.
Datos y ML Juan Gabriel Gomila Salas
El curso de ML en español que más tiempo dedica a preparar datos y a cada modelo supervisado; exige álgebra y estadística previas y no tiene práctica evaluada.
Datos y ML SuperDataScience Team, María Santos, Juan Gabriel Gomila Salas
El mapa más amplio de algoritmos de ML en español, con secciones de evaluación y validación cruzada; reparte 51 horas entre R y Python y profundiza poco en cada modelo.
Datos y ML Cientificas de Datos
Una introducción breve y bien valorada para comunicar análisis con una historia; la parte técnica se apoya en R y las herramientas extra son apenas un vistazo.
Datos y ML Daniel Lledó Martínez
Un curso corto y enfocado que te lleva de lo básico a un dashboard interactivo; llamarlo avanzado es exagerado y no muestra Power Query ni las funciones modernas de Excel.
Datos y ML Federico Garay, Escuela Directa
Una introducción breve y clara a DataFrames, indexación, groupby y gráficos; en 1.6 horas y sin ejercicios no llega a la limpieza ni a la combinación de datos del trabajo real.
Cuatro niveles: usar bien la IA, programar con ella, integrar modelos en tus aplicaciones y diseñar agentes. Con recursos oficiales y los cursos mejor evaluados de cada etapa.
Excel, SQL, Power BI, Python y comunicación de resultados: el orden que más rápido lleva a un primer empleo, con un desvío opcional hacia machine learning.
Power BI para reportes de negocio y empleos de analista; Python para análisis más flexibles y como puente hacia machine learning. Lo ideal es dominar uno y conocer el otro.
Para usar librerías, bases de álgebra y estadística. Para entender y ajustar modelos de verdad, más. Cada reseña indica el nivel de matemáticas que exige el curso.
Machine learning clásico primero (regresión, árboles, validación). Deep learning tiene más sentido cuando ya entiendes cómo se evalúa un modelo.