Este es mi repositorio de libros, cuadernos de Google Colab y materiales educativos sobre programación, análisis de datos y Machine Learning con Python. Los contenidos están organizados en dos grandes secciones: una colección de libros de estudio y una sección con materiales de apoyo correspondientes a cursos sobre estos temas que estoy dictando o he dictado en el pasado.
El contenido del repositorio se actualiza casi a diario.
Cada uno de los capítulos de los libros en PDF poseen un cuaderno Jupyter complementario, con el código y ejemplos necesarios para experimentar con los conceptos expuestos.
Descargar PDF del Volumen I Introducción práctica al trabajo con datos usando Python. Ver cuadernos Colab del libro. |
Descargar PDF del Volumen II Análisis exploratorio y visualización de datos con Python Ver cuadernos Colab del libro. |
Descargar PDF del Volumen III Fundamentos de Machine Learning I Construir modelos de Machine Learning con Python. Ver cuadernos Colab del libro. |
Descargar PDF del Volumen IV Fundamentos de Machine Learning II Profundización del trabajo con modelos de Machine Learning aplicado con Python. Ver cuadernos Colab del libro. |
Versión preliminar del PDF del Volumen V Deep Learning I ¿Cómo funcionan las redes neuronales? ¿Cómo aprenden a partir de los datos? Ver cuadernos Colab del libro. |
Ver la colección completa y su índice de capítulos.
Estos cuadernos fueron creados para acompañar cursos específicos. Algunos de ellos ya han finalizado, pero se conservan en el repositorio como material gratuito de consulta, práctica y apoyo.
| Curso | Fecha | Contenidos principales | Estado |
|---|---|---|---|
| Machine Learning con Python | 2do Semestre 2026 | Nueva cohorte, nuevos cuadernos. Versión 2.0, también incluirá preparación de datos, modelos supervisados y no supervisados, pipelines y evaluación. En el curso se trabajara con modelos de regresión, clasificación y clustering. También se incorporarán herramientas habituales del flujo de trabajo en machine learning, como partición de datos, validación cruzada, métricas de evaluación, pipelines y búsqueda de hiperparámetros. | En curso |
| Machine Learning con Python | 1er Semestre 2026 | Preparación de datos, modelos supervisados y no supervisados, pipelines y evaluación. En el curso se trabaja con modelos de regresión, clasificación y clustering. También se incorporan herramientas habituales del flujo de trabajo en machine learning, como partición de datos, validación cruzada, métricas de evaluación, pipelines y búsqueda de hiperparámetros. | Finalizado |
| Análisis de Datos con Python | 2do Semestre. 2025 | Limpieza, selección, agrupamiento, estadística descriptiva y visualización. El recorrido está orientado al trabajo exploratorio con datos usando Python. A lo largo de los cuadernos se abordan tareas habituales del análisis de datos: limpieza, selección y filtrado, agrupamiento, estadística descriptiva, visualización y construcción de dashboards simples. | Finalizado |
Los archivos con extensión .ipynb pueden visualizarse directamente en GitHub o abrirse en Google Colab mediante el botón incluido al comienzo de cada cuaderno. En Colab es posible ejecutar el código, modificar los ejemplos y guardar una copia personal en Google Drive. Algunas actividades utilizan archivos ubicados en una carpeta datos.
Los materiales fueron desarrollados por Ariel Palazzesi y se publican como parte del proyecto VintaBytes.