Reseña honesta: “Machine Learning de A a la Z” en español [2026] – ¿Vale la pena?

Qué promete y qué encontré al analizarlo

Machine Learning de A a la Z es la versión en español del conocido curso de SuperDataScience, adaptada por Juan Gabriel Gomila y María Santos. Promete llevarte por casi todo el aprendizaje automático clásico con código en R y en Python: regresión, clasificación, clustering, reglas de asociación, reinforcement learning, NLP, deep learning, reducción de dimensión y selección de modelos. Tiene más de 26 mil alumnos, 4,205 reseñas con un promedio de 4.54 y una actualización de enero de 2026.

Al revisar sus 314 elementos, la fortaleza y la debilidad son la misma: la amplitud. Hay 10 partes con unos 25 algoritmos en 51.6 horas, pero varios modelos importantes reciben solo 4 elementos. Como ingeniero, lo que más me interesa es que, a diferencia de otros cursos de ML en español, tiene secciones propias para evaluar modelos de regresión y de clasificación, y una parte final con validación cruzada k-fold, ajuste de parámetros con Grid Search y XGBoost.

El temario, en resumen

• Preprocesado y regresión (81 elementos): preparación de datos (13) y regresión lineal simple, múltiple (24) y polinómica, SVR, árboles y bosques aleatorios, más una sección para evaluar el rendimiento de los modelos de regresión (5).
• Clasificación (54): regresión logística (16), K-NN, SVM, Kernel SVM, Naive Bayes, árboles y bosques aleatorios, con una sección de evaluación de la eficacia de los clasificadores (6).
• Aprendizaje no supervisado y por refuerzo (56): K-Means y clustering jerárquico, reglas de asociación con Apriori y Eclat, y los algoritmos Upper Confidence Bound y muestreo Thompson.
• NLP y deep learning (74): procesamiento de lenguaje natural con bag-of-words (25), redes neuronales artificiales (25) y redes convolucionales (22).
• Reducción de dimensión y selección de modelos (28): ACP, LDA y Kernel ACP; selección de modelos con k-fold y Grid Search (6) y XGBoost (5).

Puntos fuertes

• El catálogo más amplio del grupo. Ningún otro curso de ML en español que analizamos cubre a la vez reglas de asociación, reinforcement learning, NLP, redes convolucionales y XGBoost. Como mapa del aprendizaje automático clásico, es difícil de superar.
• La evaluación tiene secciones propias. Evaluar modelos de regresión (5), medir la eficacia de los clasificadores (6) y seleccionar modelos con validación cruzada y Grid Search (6). Saber si un modelo generaliza o está sobreajustado vale más que conocer un algoritmo más.
• Matemáticas accesibles. Los requisitos piden solo matemáticas de secundaria y bachillerato, y el objetivo declarado es darte intuición sobre cada modelo. Es una entrada realista si no vienes de una carrera técnica.
• Material de apoyo abundante. 36 artículos, 7 cuestionarios, 2 tareas, el código en R y Python para descargar y un libro de preguntas frecuentes construido con dudas de alumnos.

Aspectos mejorables

• Mucho algoritmo, poca profundidad por modelo. SVR, SVM, árboles de decisión y bosques aleatorios tienen 4 elementos cada uno, repartidos entre dos lenguajes. Por esa cantidad, aprenderás qué hace cada modelo, no a ajustarlo con criterio en un problema real.
• Dos lenguajes se reparten las horas. El curso enseña cada técnica en R y en Python. Si solo te interesa Python, que es lo que piden la mayoría de vacantes, una parte de las 51.6 horas no te servirá directamente.
• La validación llega al final. El k-fold y el ajuste de parámetros aparecen en la parte 10, cuando ya viste más de 20 algoritmos. Tampoco hay secciones de pipelines, ingeniería de características más allá del preprocesado (13 elementos) ni puesta en producción.
• Partes con edad y poca práctica evaluada. La base es de 2019: el NLP se queda en bag-of-words, sin embeddings ni transformers, y el reinforcement learning se limita a UCB y Thompson. No hay ejercicios de código; la práctica consiste en replicar las plantillas.

Conclusión honesta

Machine Learning de A a la Z sigue siendo una buena primera vuelta al aprendizaje automático: te enseña qué familias de algoritmos existen, cuándo usar cada una y cómo evaluarlas, con matemáticas al alcance de cualquiera. Es la opción a elegir si quieres amplitud o trabajas con R.

Si solo vas a usar Python, hay opciones más enfocadas. El curso de Santiago Hernández es más corto, más actual y explica mejor la intuición matemática; el curso completo de Juan Gabriel Gomila dedica más tiempo a limpiar y manipular datos. Antes de cualquiera de ellos, asegúrate de manejar Python, por ejemplo con Python de la A a la Z, y después profundiza en redes neuronales con Deep Learning desde cero.

Preguntas frecuentes