Reseña honesta: “Curso completo de Machine Learning: Data Science en Python” de Juan Gabriel Gomila [2026] – ¿Vale la pena?

Qué promete y qué encontré al analizarlo

El Curso completo de Machine Learning: Data Science en Python es la formación de Juan Gabriel Gomila, CEO de Frogames Formación, dedicada solo a Python. Promete enseñarte los algoritmos clave del machine learning de forma progresiva, desmitificando la teoría matemática que hay detrás, con datasets del mundo real y todo el código en un repositorio de GitHub. Fue creado en agosto de 2024, se actualizó en mayo de 2026 y tiene 1,508 alumnos y 199 reseñas con un promedio de 4.78.

Al revisar sus 222 elementos, lo que lo distingue es el peso de los datos: antes del primer modelo hay 19 elementos de limpieza, 27 de operaciones de manejo de datos y 7 de estadística para la modelización. Después, cada modelo supervisado recibe un bloque generoso: 19 elementos para regresión lineal, 16 para logística, 18 para árboles y bosques, 17 para SVM. Es un curso del perfil de machine learning con una exigencia matemática clara: los requisitos piden haber completado cursos de álgebra lineal y de estadística descriptiva.

El temario, en resumen

• Arranque (14 elementos): bienvenida, instalación de la herramienta de trabajo e introducción al análisis predictivo y al machine learning.
• Datos y estadística (53): limpieza de datos (19), operaciones de manejo de datos (27) y conceptos básicos de estadística para la modelización predictiva (7).
• Aprendizaje supervisado y clustering (101): regresión lineal (19) y logística (16), clustering y clasificación (22), árboles y bosques aleatorios (18), máquinas de soporte vectorial (17) y K vecinos más cercanos (9).
• Más allá de lo básico (44): sistemas de recomendación (12), análisis de componentes principales (13) e introducción a redes neuronales y deep learning con TensorFlow (19).
• Cierre (10): cómo combinar código de R y Python con la librería rpy2 (9) y una reflexión sobre el futuro del área.

Puntos fuertes

• Datos antes que modelos. 46 elementos de limpieza y manejo de datos más 7 de estadística, antes de entrenar nada. Es el reflejo más fiel del trabajo real, donde preparar los datos se lleva la mayor parte del tiempo, y ningún otro curso de ML del grupo le dedica tanto.
• Profundidad por modelo. Entre 16 y 22 elementos para cada familia supervisada principal. Frente a los 4 elementos que reciben algunos modelos en otros cursos, aquí hay espacio para entender supuestos, ajustes e interpretación.
• Temas que otros omiten. Sistemas de recomendación (12 elementos), componentes principales (13) y la integración de R y Python con rpy2 son útiles en la práctica y poco frecuentes en cursos en español.
• La valoración más alta del grupo. 4.78 de promedio, actualización de mayo de 2026 y todo el código disponible en GitHub.

Aspectos mejorables

• Exige una base matemática previa. Los requisitos piden haber completado los cursos de álgebra lineal y de estadística descriptiva del mismo instructor, además de su curso de Python. Eso contradice la etiqueta de «todos los niveles» y suma tiempo antes de empezar.
• La validación no tiene sección propia. Ningún título menciona métricas, validación cruzada o sobreajuste, a diferencia de Machine Learning de A a la Z, que les dedica tres secciones. Tampoco aparecen gradient boosting (como XGBoost) ni series de tiempo.
• Cero práctica evaluada en 45 horas. No hay cuestionarios, tareas ni ejercicios de código. La descripción habla de ejercicios prácticos, pero en los datos no aparecen como actividades evaluables: por cómo está planteado, la práctica consiste en reproducir el código del repositorio.
• Muestra pequeña y algo de marketing. 199 reseñas es poco para confiar del todo en el 4.78. La descripción abre con salarios de 120 a 200 mil dólares al año, y la sección de bienvenida lleva el nombre de otro curso («Curso de Python para Ciencia de Datos»).

Conclusión honesta

Este es el curso de ML en español más orientado al trabajo real con datos: limpia, transforma y explora antes de modelar, y luego dedica tiempo de verdad a cada algoritmo supervisado. Si ya tienes la base de álgebra y estadística que pide, es una opción muy sólida para aprender Python aplicado al machine learning.

Frente a Machine Learning de A a la Z, donde Gomila también participa, este curso es solo Python y más profundo por modelo, aunque cubre menos técnicas y no trata la evaluación como tema propio. Frente al curso de Santiago Hernández, exige más matemáticas previas, pero prepara mejor para manipular datos. Si te falta la base de Python, empieza por Python de la A a la Z, del mismo instructor.

Preguntas frecuentes