¿Es un curso de machine learning desde cero?

No. Es un curso avanzado y aplicado. Refuerza fundamentos cuando hace falta, pero el foco está en construir sistemas ML reales, integrados y operables.

¿En qué se diferencia de MLOps?

MLOps se centra en operación, despliegue y ciclo de vida de modelos. MLDD es más amplio: incluye diseño del problema, producto, datos, modelo, integración, testing y operación.

Sí. Python se usa para preparación de datos, entrenamiento, evaluación, pipelines, APIs de inferencia, tests y automatización.

¿Incluye deep learning?

Puede incluirse cuando el caso lo requiere, pero el curso prioriza elegir la solución adecuada, empezando por baselines y modelos mantenibles antes de aumentar complejidad.

¿Se trabaja despliegue de modelos?

Sí. Se cubren APIs de inferencia, batch scoring, contenedores, CI/CD, model registry, monitorización, rollback y retraining.

Sí. Hay un bloque específico sobre sistemas generativos, RAG, prompts, evaluación, trazabilidad, guardrails y operación de modelos tipo LLM.

¿Sirve para data scientists?

Sí. Les ayuda a convertir modelos en productos, con reproducibilidad, testing, versionado, despliegue, documentación y monitorización.

¿Sirve para desarrolladores?

Sí. Les permite entender cómo integrar modelos ML en aplicaciones, APIs, procesos batch, productos digitales y arquitecturas empresariales.

¿La formación es bonificable por FUNDAE?

Sí. Al tratarse de formación corporativa orientada a empresa, puede bonificarse hasta el 100% mediante FUNDAE según el crédito disponible y las condiciones aplicables de la organización.

Curso de MLDD (Machine Learning Driven Development) para empresas

Aprende con el curso de MLDD (Machine Learning Driven Development) para empresas hasta 100% bonificado, a medida para tu organización.

Totalmente práctico y aplicable

Formación en MLDD (Machine Learning Driven Development) a medida

100% bonificable a través de FUNDAE

Curso TUTORIZADO por expertos

Solicitar precio

Calcula mis créditos de FUNDAE

Solicitar precio

Calcula mis créditos de FUNDAE

Modalidad Aula Virtual Personalizada

Curso de MLDD (Machine Learning Driven Development) en Aula Virtual Personalizada

Nuestra modalidad AVP es una formación en directo, práctica y 100% adaptada a vuestro equipo. No trabajamos con contenidos genéricos: diseñamos la formación en función de vuestro nivel, objetivos, procesos internos y necesidades reales de aplicación.

Solicitar información

Temario 100% a medida

Creamos el temario desde cero a partir de vuestras necesidades, nivel del equipo y objetivos concretos, priorizando aquellos contenidos que realmente aporten valor en el día a día.

Proyectos personalizados

Durante la formación trabajaremos con archivos, ejemplos, informes o procesos similares a los que utiliza vuestro equipo, para que el aprendizaje sea directamente aplicable al puesto de trabajo.

Sesiones en directo con consultor experto

Un formador especialista imparte las clases en tiempo real, resolviendo dudas, revisando casos concretos y adaptando el ritmo de la formación a la evolución del grupo.

Calendario adaptado a vuestra disponibilidad

Definimos conjuntamente fechas, horarios y duración de las sesiones para facilitar la asistencia del equipo y minimizar el impacto en la operativa diaria de la empresa.

Bonificación FUNDAE

Curso de MLDD (Machine Learning Driven Development) hasta 100% Bonificable a través de FUNDAE

Tu bonificación paso a paso

Forma a tu equipo sin costes mediante la bonificación estatal.
Este programa de MLDD (Machine Learning Driven Development) para empresas es subvencionable hasta el 100%.

Potencia las habilidades de edición y automatización de tus profesionales.
Accede a una formación avanzada en MLDD (Machine Learning Driven Development) práctica y orientada a resultados.
Prepara a tu equipo para los retos documentales del entorno laboral actual.
Gestionamos gratis tu bonificación de este curso corporativo de MLDD (Machine Learning Driven Development) ante FUNDAE.

Hablar con un asesor

01.

Calcula tu bonificación

02.

Revisamos tu caso

03.

Preparamos la gestión

04.

Tu equipo realiza el curso

05.

Aplicas la bonificación

Hablar con un asesor

La formación que decides
te devuelve dinero

Todos nuestros cursos son bonificables a través de FUNDAE.
Gestionamos toda la documentación por ti.

100%Tramitación incluida

48hTiempo medio de gestión

9,4Satisfacción general

Calcula tu crédito aproximado

Empleados a formar10

Crédito bonificable estimado

420€*

*Cálculo orientativo

Confirmar mi crédito

Impacto real

Une machine learning e ingeniería de software

Profesionaliza a tu equipo con MLDD A Medida, MLOps, pipelines y despliegue, tutorizado y bonificable hasta el 100% por FUNDAE para empresas. Contáctanos.

Evita modelos que no llegan a producción El curso enseña a transformar experimentos en sistemas ML operables, reproducibles, versionados y mantenibles.

Mejora la calidad de las decisiones ML Los alumnos aprenden a definir métricas, costes de error, umbrales, explicabilidad, sesgos y criterios de aceptación desde el inicio.

Refuerza MLOps y gobierno Incluye pipelines, model registry, CI/CD, monitorización, drift, retraining, privacidad, seguridad, documentación y roles.

Sirve para equipos mixtos Está diseñado para alinear data scientists, desarrolladores, arquitectos, DevOps, producto, QA y negocio alrededor de una metodología común.

Prepara para sistemas predictivos y generativos El curso cubre modelos clásicos, recomendadores, anomalías, APIs de inferencia y también principios aplicables a LLMOps y sistemas generativos.

Solicitar propuesta sin coste

Personaliza el temario al 100% para tu equipo

Diseñamos una formación a medida utilizando los documentos y flujos de trabajo reales de tu empresa.

Agendar cita con CTOAgendar cita con CTO

Nuestra plataforma

Nueva Plataforma
de E-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje

Acceso a las grabaciones

Los alumnos podrán revisar las sesiones grabadas para repasar conceptos clave, recuperar explicaciones concretas o reforzar aquellos contenidos que necesiten después de la clase en directo.

Recursos formativos

Materiales, sesiones grabadas y documentación de apoyo quedan centralizados en la plataforma para que el equipo pueda consultarlos durante y después de la formación.

Confirmación de asistencia

La plataforma permite registrar y confirmar la asistencia de los participantes, facilitando el seguimiento de la formación y la gestión documental necesaria para la bonificación FUNDAE.

Ejercicios prácticos

Después de la formación en directo, los alumnos podrán acceder a ejercicios prácticos para aplicar lo trabajado en clase y consolidar el aprendizaje con actividades guiadas.

Acceso a las grabaciones

Los alumnos podrán revisar las sesiones grabadas para repasar conceptos clave, recuperar explicaciones concretas o reforzar aquellos contenidos que necesiten después de la clase en directo.

Recursos formativos

Materiales, sesiones grabadas y documentación de apoyo quedan centralizados en la plataforma para que el equipo pueda consultarlos durante y después de la formación.

Confirmación de asistencia

La plataforma permite registrar y confirmar la asistencia de los participantes, facilitando el seguimiento de la formación y la gestión documental necesaria para la bonificación FUNDAE.

Ejercicios prácticos

Después de la formación en directo, los alumnos podrán acceder a ejercicios prácticos para aplicar lo trabajado en clase y consolidar el aprendizaje con actividades guiadas.

Practica y mejora con nuestra plataforma

Una plataforma practica, con IA integrada y pensada para que mejores desarrollando. Se adapta a tu ritmo, te corrige al instante y te muestra tu progreso real.

Correccion magica

Feedback inteligente

Aprende de cada acierto y fallo con explicaciones claras

Me interesa

Programa formativo

Temario del curso

Encuentra todo el temario del curso aquí.

Temario

Comparar desarrollo tradicional basado en reglas con desarrollo guiado por modelos entrenados con datos.
Entender que en MLDD una parte del comportamiento del sistema se aprende, se mide y se ajusta de forma continua.
Identificar qué problemas encajan con machine learning y cuáles deben resolverse con reglas, heurísticas o software convencional.
Diferenciar predicción, clasificación, recomendación, ranking, detección de anomalías, clustering y generación asistida.
Reconocer la incertidumbre como parte natural de un sistema ML, no como un fallo de implementación.
Analizar cómo cambian los requisitos cuando la salida del sistema es probabilística.
Comprender la relación entre dato, modelo, métrica, decisión, usuario y acción de negocio.
Detectar riesgos tempranos: datos pobres, objetivo mal definido, sesgo, baja adopción o integración débil.
Revisar el ciclo MLDD completo: problema, datos, features, modelo, evaluación, integración, despliegue, monitorización y retraining.
Establecer una mentalidad de ingeniería donde el modelo es un componente vivo del producto.

Comparar desarrollo tradicional basado en reglas con desarrollo guiado por modelos entrenados con datos.
Entender que en MLDD una parte del comportamiento del sistema se aprende, se mide y se ajusta de forma continua.
Identificar qué problemas encajan con machine learning y cuáles deben resolverse con reglas, heurísticas o software convencional.
Diferenciar predicción, clasificación, recomendación, ranking, detección de anomalías, clustering y generación asistida.
Reconocer la incertidumbre como parte natural de un sistema ML, no como un fallo de implementación.
Analizar cómo cambian los requisitos cuando la salida del sistema es probabilística.
Comprender la relación entre dato, modelo, métrica, decisión, usuario y acción de negocio.
Detectar riesgos tempranos: datos pobres, objetivo mal definido, sesgo, baja adopción o integración débil.
Revisar el ciclo MLDD completo: problema, datos, features, modelo, evaluación, integración, despliegue, monitorización y retraining.
Establecer una mentalidad de ingeniería donde el modelo es un componente vivo del producto.

¿Tienes dudas?

Estamos aquí para ayudarte

Reservar plaza

Tema 1: Del software determinista al software que aprende de datos

Comparar desarrollo tradicional basado en reglas con desarrollo guiado por modelos entrenados con datos.
Entender que en MLDD una parte del comportamiento del sistema se aprende, se mide y se ajusta de forma continua.
Identificar qué problemas encajan con machine learning y cuáles deben resolverse con reglas, heurísticas o software convencional.
Diferenciar predicción, clasificación, recomendación, ranking, detección de anomalías, clustering y generación asistida.
Reconocer la incertidumbre como parte natural de un sistema ML, no como un fallo de implementación.
Analizar cómo cambian los requisitos cuando la salida del sistema es probabilística.
Comprender la relación entre dato, modelo, métrica, decisión, usuario y acción de negocio.
Detectar riesgos tempranos: datos pobres, objetivo mal definido, sesgo, baja adopción o integración débil.
Revisar el ciclo MLDD completo: problema, datos, features, modelo, evaluación, integración, despliegue, monitorización y retraining.
Establecer una mentalidad de ingeniería donde el modelo es un componente vivo del producto.

Tema 2: Fundamentos de Machine Learning Driven Development

Definir MLDD como una práctica de desarrollo donde los modelos ML influyen en diseño, implementación, pruebas, operación y mejora.
Separar MLDD de ciencia de datos exploratoria, analítica descriptiva, MLOps puro y automatización tradicional.
Entender que un sistema MLDD combina código, datos, modelo, infraestructura, métricas, producto y feedback.
Identificar los artefactos principales: dataset, feature, notebook, pipeline, modelo, experimento, endpoint, métrica y monitor.
Revisar por qué los modelos no deben vivir aislados en notebooks sin camino claro a producción.
Analizar el ciclo de vida de un modelo dentro de una aplicación empresarial.
Diferenciar fase experimental, fase de industrialización, fase de producción y fase de mantenimiento.
Entender la importancia de reproducibilidad, trazabilidad y gobierno en modelos que afectan decisiones reales.
Reconocer señales de inmadurez: modelos sin owner, métricas ambiguas, datasets sin versión o despliegues manuales.
Crear una definición operativa de MLDD adaptada a equipos de software y datos.

Tema 3: Selección de casos de uso ML viables

Identificar oportunidades donde ML aporta mejora real frente a reglas estáticas o reporting tradicional.
Formular problemas ML como predicción, clasificación, ranking, recomendación, anomalía, segmentación o extracción.
Evaluar disponibilidad de datos, calidad, volumen, frecuencia de actualización y representatividad.
Analizar impacto de negocio, coste de error, coste de no decidir y valor potencial de automatización.
Diferenciar casos de uso internos, productos para cliente, automatizaciones operativas y sistemas de decisión asistida.
Detectar problemas que parecen ML pero realmente son falta de proceso, datos maestros o integración.
Valorar riesgo legal, reputacional, ético y operativo antes de entrenar un modelo.
Definir una métrica de éxito empresarial y una métrica técnica desde el inicio.
Priorizar casos por impacto, viabilidad, riesgo, esfuerzo y capacidad de despliegue.
Crear una ficha de oportunidad ML con problema, usuario, dato, modelo, decisión, acción y medición.

Tema 4: Requisitos probabilísticos y criterios de aceptación

Traducir necesidades de negocio en objetivos medibles para un modelo ML.
Definir qué significa “funcionar bien” cuando la salida no es exacta en todos los casos.
Establecer umbrales de precisión, recall, F1, MAE, RMSE, AUC, lift, cobertura o coste esperado según problema.
Incorporar métricas de negocio: ahorro, conversión, reducción de error, productividad, riesgo evitado o satisfacción.
Separar criterios técnicos de criterios de aceptación de producto.
Definir qué errores son tolerables y cuáles son críticos.
Crear matrices de coste de error para falsos positivos, falsos negativos y predicciones inciertas.
Determinar cuándo el modelo recomienda, cuándo automatiza y cuándo escala a revisión humana.
Añadir requisitos no funcionales: latencia, disponibilidad, explicabilidad, privacidad, coste y trazabilidad.
Documentar criterios de aceptación para que producto, datos, desarrollo y negocio evalúen lo mismo.

Tema 5: Datos como parte del diseño del sistema

Entender que en MLDD los datos no son solo entrada, sino parte estructural del comportamiento del sistema.
Identificar fuentes de datos: transaccionales, eventos, logs, sensores, CRM, ERP, documentos, imágenes, texto o APIs.
Revisar ownership, actualización, calidad, disponibilidad y restricciones de cada fuente.
Diseñar flujos de captura de datos pensando en entrenamiento e inferencia futura.
Evitar entrenar modelos sobre datos que no estarán disponibles en producción.
Detectar leakage, sesgos históricos, datos incompletos y variables que no deberían usarse.
Diferenciar datos brutos, datos limpios, datasets de entrenamiento, datasets de validación y datos de producción.
Diseñar contratos de datos entre sistemas productores y consumidores.
Incorporar validaciones de esquema, rango, tipos, nulos y distribución desde el inicio.
Tratar el diseño de datos como una responsabilidad compartida entre software, datos y negocio.

Tema 6: Calidad de datos para machine learning

Medir completitud, consistencia, exactitud, frescura, unicidad, validez y estabilidad de los datos.
Detectar valores nulos, duplicados, outliers, cambios de formato, categorías nuevas y campos mal capturados.
Analizar distribución de variables y diferencias entre entrenamiento, validación y producción.
Crear reglas automáticas para validar datasets antes de entrenar.
Revisar etiquetas incorrectas, datos desbalanceados y muestras poco representativas.
Documentar supuestos de datos y límites del dataset.
Diseñar dashboards de calidad de datos para modelos críticos.
Establecer responsables de corrección cuando un dato fuente afecta al modelo.
Evitar entrenamientos sobre datasets “arreglados a mano” sin reproducibilidad.
Crear una cultura donde la calidad del modelo empieza antes de elegir algoritmo.

Tema 7: Preparación de datasets y particiones

Construir datasets de entrenamiento, validación y test con criterios coherentes.
Separar datos de forma temporal cuando el problema representa predicciones futuras.
Evitar mezclar registros relacionados entre entrenamiento y test.
Crear particiones estratificadas cuando la clase objetivo está desbalanceada.
Diseñar datasets de validación para simular el uso real del modelo.
Mantener datasets congelados para comparar modelos entre versiones.
Documentar origen, periodo, filtros, transformaciones y exclusiones aplicadas.
Crear datasets pequeños para pruebas rápidas y datasets completos para evaluación final.
Gestionar datos sensibles mediante anonimización, seudonimización o minimización.
Versionar datasets para poder reproducir experimentos y auditorías.

Tema 8: Feature engineering y representación del conocimiento

Transformar datos brutos en features útiles para el modelo.
Crear variables agregadas, temporales, categóricas, estadísticas, textuales o derivadas de comportamiento.
Evitar features que introducen fuga de información o que no estarán disponibles en inferencia.
Diseñar features interpretables cuando el caso requiere explicación.
Comparar features simples con features complejas para medir aportación real.
Preparar codificación de categorías, normalización, escalado, imputación y tratamiento de outliers.
Gestionar variables temporales, ventanas móviles, recencia, frecuencia y valor acumulado.
Documentar definición, fuente, frecuencia y propietario de cada feature relevante.
Crear pruebas para asegurar que las features se calculan igual en entrenamiento y producción.
Convertir feature engineering en una práctica gobernada, no en código disperso en notebooks.

Tema 9: Feature stores y reutilización de variables

Entender cuándo una feature store aporta valor frente a pipelines simples.
Separar features offline para entrenamiento y features online para inferencia en tiempo real.
Mantener consistencia entre cálculo histórico y cálculo en producción.
Versionar definiciones de features y evitar duplicidades entre equipos.
Gestionar frescura, disponibilidad, latencia y coste de features.
Reutilizar variables comunes para varios modelos sin copiar lógica.
Controlar permisos sobre features sensibles o reguladas.
Monitorizar drift y calidad de features críticas.
Documentar catálogo de features con descripción, fuente, owner y ejemplos.
Evaluar si la complejidad de una feature store compensa según madurez del equipo.

Tema 10: Experimentación y tracking de modelos

Registrar experimentos con parámetros, dataset, features, algoritmo, métricas, versión de código y resultados.
Usar herramientas como MLflow, Weights & Biases, Neptune, Comet o equivalentes según contexto.
Comparar modelos de forma reproducible y no mediante resultados copiados en hojas sueltas.
Guardar artefactos: modelo, gráficos, métricas, matriz de confusión, curvas, logs y configuración.
Etiquetar experimentos por objetivo, rama, caso de uso, responsable y fecha.
Evitar perder el mejor modelo por no saber qué combinación lo produjo.
Crear experimentos baseline antes de probar modelos complejos.
Diferenciar experimentación exploratoria de experimentación candidata a producción.
Revisar resultados con negocio cuando la métrica técnica no cuenta toda la historia.
Convertir experiment tracking en parte obligatoria del flujo MLDD.

Tema 11: Baselines, modelos simples y complejidad controlada

Crear modelos baseline para saber si un enfoque ML realmente aporta valor.
Comparar modelos simples con reglas heurísticas, medias históricas o modelos estadísticos básicos.
Evitar empezar por deep learning cuando un modelo lineal o tree-based resuelve el problema.
Medir mejora incremental frente a coste, explicabilidad y mantenimiento.
Detectar overengineering en modelos con poco impacto o pocos datos.
Evaluar modelos según rendimiento, estabilidad, latencia, coste y facilidad de operación.
Usar modelos simples para explicar el problema y aprender antes de escalar.
Crear criterios para aceptar mayor complejidad: mejora significativa, caso crítico o necesidad técnica.
Documentar por qué se elige un algoritmo y no otro.
Mantener una política de complejidad proporcional al valor del caso de uso.

Tema 12: Entrenamiento supervisado en MLDD

Diseñar modelos de clasificación binaria, multiclase, multilabel y regresión según objetivo.
Preparar pipelines de preprocesado y entrenamiento reproducibles.
Usar scikit-learn, XGBoost, LightGBM, CatBoost u otras herramientas adecuadas al caso.
Ajustar hiperparámetros con validación rigurosa y sin contaminar el test final.
Gestionar clases desbalanceadas mediante ponderación, sampling, métricas adecuadas y umbrales.
Evaluar modelos con métricas alineadas al coste del error.
Interpretar importancia de variables, errores frecuentes y segmentos donde el modelo falla.
Crear modelos candidatos a producción con artefactos versionados.
Evitar entrenamientos manuales imposibles de reproducir.
Documentar límites, supuestos y condiciones donde el modelo no debe usarse.

Tema 13: Modelos no supervisados y detección de patrones

Usar clustering para segmentación, agrupación, exploración y detección de comportamientos.
Aplicar reducción de dimensionalidad para visualización, análisis y compresión de información.
Diseñar detección de anomalías para fraude, operación, calidad, sensores, seguridad o errores de proceso.
Evaluar modelos no supervisados con criterios de utilidad, estabilidad y validación de negocio.
Evitar interpretar clusters como verdades absolutas sin revisión humana.
Crear perfiles de grupo con variables explicativas y acciones recomendadas.
Diseñar umbrales de anomalía ajustables según coste de alerta y capacidad de revisión.
Monitorizar falsos positivos y fatiga de alertas.
Documentar qué representa cada patrón y cómo debe usarse.
Convertir modelos no supervisados en sistemas accionables, no solo gráficos exploratorios.

Tema 14: Modelos de recomendación, ranking y personalización

Diferenciar recomendación, ranking, scoring, búsqueda inteligente y personalización.
Diseñar recomendaciones basadas en contenido, comportamiento, popularidad, similitud o modelos híbridos.
Evaluar métricas como precisión@k, recall@k, NDCG, cobertura, diversidad y conversión.
Evitar burbujas de filtro, sesgos de popularidad y recomendaciones repetitivas.
Incorporar reglas de negocio, disponibilidad, permisos, stock, relevancia o contexto.
Gestionar usuarios nuevos, productos nuevos y casos sin historial.
Diseñar APIs de recomendación con latencia y fallback adecuados.
Medir impacto real mediante experimentos o comparativas controladas.
Explicar recomendaciones cuando el usuario necesita confianza.
Mantener catálogos, eventos y feedback actualizados para que el sistema aprenda.

Tema 15: Evaluación de modelos con criterio empresarial

Elegir métricas según problema, no por costumbre.
Interpretar accuracy, precision, recall, F1, ROC-AUC, PR-AUC, MAE, RMSE, MAPE, lift y calibration.
Ajustar umbrales de decisión según coste de falso positivo y falso negativo.
Analizar resultados por segmento para detectar desigualdad de rendimiento.
Revisar matriz de confusión con ejemplos reales de aciertos y errores.
Evaluar calibración cuando la probabilidad se usa para tomar decisiones.
Medir robustez ante datos nuevos, outliers y cambios de distribución.
Comparar rendimiento técnico con impacto operativo esperado.
Preparar informes de evaluación comprensibles para perfiles no técnicos.
Decidir si un modelo está listo para piloto, producción, revisión o descarte.

Tema 16: Validación humana, revisión experta y human-in-the-loop

Definir cuándo un modelo debe decidir automáticamente y cuándo debe asistir a una persona.
Diseñar flujos de revisión humana para predicciones inciertas, casos sensibles o alto impacto.
Crear interfaces donde el usuario pueda aceptar, corregir, rechazar o justificar una recomendación.
Registrar feedback humano como dato de mejora del modelo.
Evitar que el usuario acepte recomendaciones por confianza ciega en el sistema.
Medir desacuerdos entre modelo y experto para detectar patrones de error.
Diseñar muestreos de revisión para control de calidad continuo.
Incorporar explicación, evidencia y nivel de confianza en recomendaciones.
Evitar procesos donde la revisión humana sea simbólica y no tenga poder real.
Convertir human-in-the-loop en mecanismo de aprendizaje y control, no solo de compliance.

Tema 17: Integración de modelos en aplicaciones

Diseñar cómo una aplicación consume un modelo: API, librería, batch, cola, evento, stream o base de datos.
Separar lógica de producto, lógica de inferencia, preprocesado, postprocesado y reglas de negocio.
Crear contratos claros de entrada y salida del modelo.
Gestionar errores, timeouts, valores faltantes, predicciones vacías y respuestas de baja confianza.
Incorporar fallbacks cuando el modelo no está disponible o no debe responder.
Evitar acoplar el dominio de la aplicación a detalles internos del modelo.
Diseñar DTOs, schemas, validaciones y versionado de predicciones.
Añadir logs de inferencia con trazabilidad suficiente y privacidad adecuada.
Probar integración con datos representativos y casos límite.
Documentar cómo el modelo afecta a la experiencia de usuario y a las decisiones del sistema.

Tema 18: APIs de inferencia y servicios de modelo

Crear servicios de inferencia con FastAPI, Flask, BentoML, TorchServe, MLServer, KServe o herramientas equivalentes.
Diseñar endpoints de predicción, health check, metadata, versionado y explicación.
Validar payloads de entrada y salida con esquemas claros.
Gestionar latencia, concurrencia, colas, timeouts, escalado y límites de carga.
Separar modelo, preprocesador, configuración y lógica de API.
Empaquetar servicios con Docker para despliegue reproducible.
Añadir logs, métricas y trazas desde el primer despliegue.
Controlar versiones de modelo y compatibilidad de API.
Probar rendimiento con cargas realistas antes de producción.
Crear una plantilla corporativa para servicios ML reutilizables.

Tema 19: Inferencia batch, streaming y tiempo real

Diferenciar inferencia batch, online, streaming, near real-time y edge.
Diseñar procesos batch para scoring diario, semanal, mensual o por lote de datos.
Crear inferencia online para respuestas inmediatas desde una aplicación o API.
Plantear streaming cuando llegan eventos continuos y se necesitan decisiones rápidas.
Evaluar latencia, frescura, coste y complejidad de cada enfoque.
Gestionar colas, retries, idempotencia, ventanas temporales y duplicados.
Crear outputs persistentes para auditoría, reporting y consumo por otros sistemas.
Diseñar fallbacks cuando el modelo online falla.
Monitorizar rendimiento, volumen, errores y distribución de predicciones.
Elegir el patrón de inferencia según caso de uso, no por moda tecnológica.

Tema 20: Pipelines de entrenamiento reproducibles

Convertir notebooks exploratorios en pipelines parametrizables.
Separar pasos: extracción, validación, preparación, feature engineering, entrenamiento, evaluación, registro y publicación.
Usar herramientas como Airflow, Prefect, Dagster, Kubeflow, Metaflow o equivalentes según madurez.
Versionar código, configuración, dataset, features, modelo y métricas.
Ejecutar pipelines en entornos limpios para comprobar reproducibilidad.
Gestionar secretos, conexiones y credenciales de forma segura.
Añadir validaciones automáticas antes de entrenar y antes de registrar un modelo.
Guardar artefactos y logs para auditoría.
Diseñar pipelines que puedan reentrenar sin intervención manual excesiva.
Documentar dependencias y responsabilidades de cada etapa.

Tema 21: Versionado de datos, modelos y código

Usar Git para código y configuración, evitando versionar datos pesados directamente sin criterio.
Aplicar herramientas como DVC, LakeFS, Delta Lake, MLflow Model Registry o equivalentes para artefactos ML.
Relacionar cada modelo con dataset, código, parámetros y métricas.
Gestionar versiones candidatas, aprobadas, en producción, deprecated y retiradas.
Mantener trazabilidad entre modelo desplegado y experimento que lo generó.
Evitar sobrescribir modelos o datasets sin registro de cambios.
Crear convenciones de nombres y metadatos para modelos.
Documentar compatibilidad entre modelo, preprocesador y servicio de inferencia.
Preparar rollback de modelos cuando aparece degradación o error.
Convertir versionado en condición mínima para operar ML de forma profesional.

Tema 22: CI/CD y MLOps para MLDD

Adaptar CI/CD tradicional a proyectos con datos, modelos y métricas.
Ejecutar tests de código, linters, validación de datos, tests de features y evaluación de modelo.
Automatizar build de imágenes, empaquetado de modelo y despliegue a entornos.
Separar pipelines de entrenamiento, pipelines de inferencia y pipelines de despliegue.
Añadir gates de calidad antes de promover un modelo.
Integrar model registry con despliegue controlado.
Usar blue/green, canary, shadow deployment o A/B testing para modelos.
Registrar despliegues con versión, responsable, fecha, métrica y motivo.
Crear rollback automatizado o manual según criticidad.
Establecer un flujo MLOps que reduzca despliegues artesanales y errores operativos.

Tema 23: Testing de sistemas ML

Diseñar tests unitarios para funciones de preprocesado, features, validaciones y postprocesado.
Crear tests de contrato para servicios de inferencia.
Validar esquemas de entrada, rangos, tipos, categorías y valores nulos.
Añadir tests de regresión de modelo comparando métricas frente a una baseline.
Probar casos límite, datos raros, categorías nuevas y registros incompletos.
Evaluar que el modelo no responde fuera de dominio sin advertencia.
Crear tests de rendimiento, latencia y carga para APIs de inferencia.
Diseñar tests de equidad o sesgo cuando el caso afecta a personas o colectivos.
Evitar tests que solo comprueban que el endpoint devuelve 200.
Incorporar testing ML en el Definition of Done del producto.

Tema 24: Monitorización de modelos en producción

Monitorizar latencia, errores, volumen, disponibilidad y coste del servicio de inferencia.
Registrar distribución de entradas, salidas, scores, umbrales y decisiones tomadas.
Detectar data drift, concept drift, prediction drift y cambios de comportamiento.
Comparar predicciones con etiquetas reales cuando llegan con retraso.
Medir rendimiento por segmento, canal, región, cliente, dispositivo o periodo.
Crear alertas accionables para degradación, anomalías, pérdida de datos o cambios bruscos.
Evitar alertas excesivas que no llevan a ninguna acción.
Incorporar observabilidad técnica y observabilidad de modelo en un mismo panel.
Definir responsables de revisar alertas y decidir retraining, rollback o investigación.
Mantener histórico de rendimiento para aprender cómo evoluciona el modelo.

Tema 25: Drift, retraining y ciclo de vida continuo

Diferenciar drift de datos, drift de concepto y caída de rendimiento por cambios externos.
Definir señales que activan análisis, retraining, recalibración o retirada del modelo.
Crear estrategias de retraining programado, bajo demanda o basado en eventos.
Validar modelos reentrenados contra baseline y modelo actual.
Evitar reemplazar modelos en producción solo porque una métrica offline mejora ligeramente.
Gestionar datasets nuevos, etiquetas retrasadas y feedback humano.
Documentar cada ciclo de retraining con datos, cambios, métricas y decisión.
Incorporar revisión humana para modelos críticos.
Mantener compatibilidad entre versión del modelo y consumidores.
Convertir el mantenimiento del modelo en práctica operativa, no en proyecto puntual.

Tema 26: Explicabilidad e interpretabilidad

Diferenciar explicabilidad global, explicación local, interpretabilidad del modelo y comunicación al usuario.
Usar técnicas como importancia de variables, SHAP, LIME, PDP, ICE o explicaciones propias según contexto.
Decidir qué explicación necesita un data scientist, un operador, un cliente, un auditor o un usuario final.
Evitar explicaciones técnicas que no ayudan a tomar una decisión.
Mostrar factores relevantes sin revelar información sensible o crear falsa certeza.
Evaluar si el modelo elegido es justificable para el riesgo del caso de uso.
Documentar límites de la explicación y posibles correlaciones engañosas.
Incorporar explicación en APIs, dashboards o interfaces cuando sea necesario.
Revisar explicaciones por segmento para detectar sesgos.
Diseñar una política de explicabilidad proporcional al impacto de la decisión.

Tema 27: Sesgos, equidad y ética en MLDD

Identificar sesgos en datos históricos, etiquetas, variables proxy, muestreo y objetivos de negocio.
Analizar rendimiento del modelo por segmentos relevantes.
Medir disparidades en falsos positivos, falsos negativos, aceptación, recomendación o prioridad.
Evitar usar variables sensibles o proxies sin análisis y justificación.
Diseñar revisiones éticas para casos que afectan a personas, acceso, precios, oportunidades o derechos.
Documentar decisiones de exclusión de variables y tratamiento de sesgos.
Incorporar fairness metrics cuando el contexto lo exige.
Diseñar procesos de reclamación, revisión humana y corrección.
Evitar automatizaciones opacas en decisiones de alto impacto.
Integrar ética en el ciclo MLDD desde la selección del caso de uso, no solo al final.

Tema 28: Privacidad, seguridad y cumplimiento

Clasificar datos según sensibilidad, finalidad, base legal, retención y acceso.
Aplicar minimización de datos en entrenamiento e inferencia.
Diseñar anonimización, seudonimización, tokenización o agregación cuando proceda.
Proteger datasets, modelos, artefactos, endpoints, logs y predicciones.
Evitar exposición de datos personales en trazas, notebooks, dashboards o prompts.
Revisar riesgos de model inversion, membership inference, fuga de información y abuso de endpoints.
Gestionar permisos sobre modelos, feature stores, registros y pipelines.
Incorporar auditoría sobre predicciones críticas y cambios de modelo.
Documentar cumplimiento con RGPD, políticas internas y requisitos sectoriales.
Crear controles de seguridad específicos para sistemas ML en producción.

Tema 29: Model cards, datasheets y documentación ML

Crear model cards con propósito, datos, métricas, límites, uso previsto, riesgos y owner.
Documentar datasets mediante datasheets: origen, periodo, campos, calidad, sesgos, permisos y transformaciones.
Registrar decisiones de diseño del modelo, features excluidas, umbrales y criterios de aceptación.
Mantener documentación asociada a cada versión de modelo.
Crear documentación técnica para desarrolladores que consumen el servicio.
Preparar documentación funcional para negocio, operaciones y usuarios.
Evitar documentación generada una sola vez que no evoluciona con el modelo.
Conectar documentación con model registry, repositorio, dashboard y pipeline.
Incorporar ejemplos de uso correcto e incorrecto del modelo.
Tratar documentación ML como parte de producción, no como trámite final.

Tema 30: Arquitecturas MLDD en empresa

Diseñar arquitectura end-to-end con fuentes de datos, pipelines, feature engineering, entrenamiento, registry, inferencia y monitorización.
Separar capas de datos, modelo, servicio, producto, observabilidad y gobierno.
Elegir entre arquitectura batch, online, streaming, híbrida o edge según necesidad.
Incorporar colas, eventos, APIs, data warehouse, data lake, feature store y sistemas transaccionales.
Diseñar entornos de desarrollo, experimentación, staging y producción.
Gestionar dependencias entre equipos de datos, backend, plataforma, seguridad y producto.
Evitar arquitecturas sobredimensionadas para pilotos pequeños.
Preparar escalabilidad progresiva según volumen, criticidad y madurez.
Documentar flujos de datos e inferencia con diagramas claros.
Diseñar arquitecturas que puedan evolucionar sin rehacer todo el sistema.

Tema 31: MLDD en productos digitales y aplicaciones internas

Integrar modelos en journeys de usuario, flujos internos, dashboards o procesos operativos.
Diseñar UX para predicciones, recomendaciones, alertas, niveles de confianza y explicaciones.
Evitar mostrar scores sin contexto ni acción recomendada.
Permitir que usuarios acepten, corrijan o ignoren predicciones cuando proceda.
Medir adopción de recomendaciones y diferencias entre uso esperado y real.
Diseñar fallback cuando el modelo no tiene suficiente información.
Ajustar funcionalidades según feedback, métricas y comportamiento real.
Evitar que el modelo sea técnicamente bueno pero no cambie ninguna decisión ni acción.
Alinear producto, modelo y operación desde discovery.
Crear productos ML que sean útiles, confiables y mantenibles.

Tema 32: MLDD para sistemas generativos y LLMOps

Diferenciar sistemas predictivos clásicos de sistemas basados en modelos generativos.
Diseñar flujos con LLMs, RAG, embeddings, reranking, clasificación, extracción o agentes.
Evaluar outputs generativos con métricas automáticas, revisión humana y datasets de evaluación.
Gestionar prompts, contextos, versiones, modelos, temperatura, herramientas y guardrails.
Detectar alucinaciones, respuestas incompletas, sesgos, toxicidad o fuga de información.
Incorporar trazabilidad de entrada, contexto recuperado, respuesta, usuario y feedback.
Diseñar evaluación continua para cambios de modelo, prompt o base de conocimiento.
Aplicar principios de MLDD a sistemas generativos: datos, evaluación, despliegue, monitorización y mejora.
Evitar tratar LLMs como magia aislada del ciclo de ingeniería.
Integrar LLMOps con MLOps cuando conviven modelos clásicos y generativos.

Tema 33: Costes, rendimiento y sostenibilidad operativa

Medir coste de entrenamiento, inferencia, almacenamiento, monitorización y mantenimiento.
Evaluar si un modelo más complejo justifica su coste operativo.
Optimizar latencia, throughput, tamaño de modelo, batch size, caching y recursos.
Diseñar estrategias de inferencia económica para grandes volúmenes.
Comparar CPU, GPU, servicios gestionados, serverless, contenedores y edge según caso.
Controlar costes de experimentación para evitar entrenamientos innecesarios.
Medir huella operativa y consumo en modelos grandes.
Crear presupuestos por caso de uso, equipo, modelo o producto.
Diseñar alertas de coste y consumo anómalo.
Incluir coste y sostenibilidad como criterio de arquitectura MLDD.

Tema 34: Organización, roles y gobierno MLDD

Definir roles: product owner ML, data scientist, ML engineer, data engineer, backend, QA, MLOps, security y owner de negocio.
Establecer responsabilidades para datos, modelo, pipeline, API, monitorización y documentación.
Evitar que el modelo quede sin dueño tras el primer despliegue.
Crear comités ligeros de revisión para modelos críticos.
Definir políticas de promoción de modelos a producción.
Establecer criterios de retirada, rollback y retraining.
Crear guías internas de calidad, seguridad, ética y documentación.
Medir madurez de MLDD por reproducibilidad, despliegue, monitorización y valor generado.
Formar a equipos de producto y tecnología en límites de ML.
Implantar gobierno sin bloquear la experimentación responsable.

Tema 35: Antipatrones habituales en Machine Learning Driven Development

Entrenar modelos sin problema de negocio claramente definido.
Medir solo accuracy aunque el coste del error sea asimétrico.
Trabajar en notebooks imposibles de reproducir.
Usar datos de entrenamiento que no existirán en producción.
Desplegar modelos sin monitorización ni owner.
No versionar datasets, features, modelos o parámetros.
Crear modelos complejos que no superan una baseline simple.
Ignorar sesgos, segmentos débiles o drift.
Integrar el modelo en la aplicación como una caja negra sin fallback.
Confundir una demo prometedora con un producto ML operable.

Tema 36: Implantación progresiva de MLDD

Evaluar la madurez actual del equipo en datos, ML, software, DevOps, seguridad y producto.
Elegir un piloto con datos accesibles, riesgo controlado y valor medible.
Crear baseline, dataset versionado, pipeline mínimo y métrica empresarial.
Industrializar solo lo necesario para validar valor sin sobredimensionar arquitectura.
Desplegar primero en modo shadow, batch o asistido si el riesgo es alto.
Medir rendimiento técnico, adopción, impacto y coste operativo.
Incorporar monitorización y feedback desde la primera versión.
Documentar aprendizajes, limitaciones y criterios de escalado.
Estandarizar plantillas, repositorios, pipelines y guías cuando el piloto funciona.
Escalar MLDD hacia más casos con gobierno, plataforma y cultura compartida.

Tema 37: Proyecto final integrador de MLDD

Seleccionar un caso de uso ML con valor empresarial, datos disponibles y decisión asociada.
Definir problema, usuario, acción esperada, métrica técnica, métrica de negocio y coste de error.
Preparar dataset versionado con limpieza, particiones, validaciones y documentación.
Diseñar features, baseline, modelo candidato y experimento reproducible.
Evaluar resultados con métricas adecuadas, análisis de errores, segmentos y límites.
Registrar el modelo, artefactos, parámetros, datos y documentación mínima.
Crear un servicio de inferencia, proceso batch o integración aplicable al caso.
Añadir tests, validaciones, logs, monitorización básica y estrategia de fallback.
Definir plan de despliegue, revisión humana, retraining, seguridad, privacidad y gobierno.
Presentar el sistema MLDD completo con arquitectura, métricas, riesgos, decisiones y hoja de ruta de mejora.

Perfiles profesionales

Pensado para quienes deben dominar MLDD (Machine Learning Driven Development) en su día a día

Desarrolladores backend, frontend y full stack

Profesionales que necesitan integrar modelos ML en aplicaciones reales mediante APIs, jobs, servicios, productos digitales, dashboards, pipelines o automatizaciones, entendiendo sus límites, métricas y riesgos.

Data scientists y machine learning engineers

Perfiles que entrenan modelos y quieren llevarlos a producción con prácticas sólidas de ingeniería: versionado, testing, despliegue, monitorización, reproducibilidad y gobierno.

Arquitectos de software y solución

Profesionales que deben diseñar sistemas donde conviven aplicaciones tradicionales, pipelines de datos, servicios de inferencia, modelos, eventos, almacenamiento, seguridad y observabilidad.

Equipos de datos, BI y analítica avanzada

Personas que trabajan con datos, features, métricas, calidad, reporting o modelos predictivos, y quieren convertir análisis en productos ML mantenibles y operables.

Product managers técnicos y responsables de IA

Perfiles que necesitan definir casos de uso ML viables, medir impacto, priorizar iniciativas, gestionar incertidumbre y traducir modelos en funcionalidades útiles para negocio.

DevOps, SRE, plataforma y MLOps

Equipos responsables de automatizar, desplegar, monitorizar, asegurar y escalar sistemas ML en entornos corporativos con trazabilidad, control y fiabilidad.

¿Tienes dudas?

ContáctanosContacta con nosotros

Casos de éxito

Empresas que ya han formado a sus equipos

Experiencias reales de equipos que ya han trabajado con nosotros.

+16

años de liderazgo

+3.500

empresas formadas

Nuestra empresa decidió contratar formación con Imagina aprovechando los créditos de FUNDAE, y fue una gran decisión. La modalidad online nos permitió adaptar los horarios a nuestro equipo. La formación ha sido práctica, clara y útil para el día a día. Es sencillo de gestionar y los resultados son excepcionales.

Hugo Gutiérrez

Analista Financiero

Gracias a Imagina, la eficiencia de nuestras sesiones de capacitación ha mejorado drásticamente. Es sencillo de usar y los resultados son excepcionales.

Luis Martínez

Administrativo

Gracias al aula virtual de Imagina siempre son capaces de adaptar los cursos a nuestras necesidades. El contenido fue muy completo y práctico.

Elena Pérez

Responsable de Recursos Humanos

Mejor de lo esperado, la modalidad online se adapta a nuestros horarios. La ayuda con la bonificación FUNDAE hizo todo más fácil. Práctico y necesario.

Alejandro Sánchez

Director de Operaciones

Hugo Gutiérrez

Analista Financiero

Gracias a Imagina, la eficiencia de nuestras sesiones de capacitación ha mejorado drásticamente. Es sencillo de usar y los resultados son excepcionales.

Luis Martínez

Administrativo

Gracias al aula virtual de Imagina siempre son capaces de adaptar los cursos a nuestras necesidades. El contenido fue muy completo y práctico.

Elena Pérez

Responsable de Recursos Humanos

Mejor de lo esperado, la modalidad online se adapta a nuestros horarios. La ayuda con la bonificación FUNDAE hizo todo más fácil. Práctico y necesario.

Alejandro Sánchez

Director de Operaciones

+16

años de liderazgo

+3.500

empresas formadas

Hugo Gutiérrez

Analista Financiero

Gracias a Imagina, la eficiencia de nuestras sesiones de capacitación ha mejorado drásticamente. Es sencillo de usar y los resultados son excepcionales.

Luis Martínez

Administrativo

Gracias al aula virtual de Imagina siempre son capaces de adaptar los cursos a nuestras necesidades. El contenido fue muy completo y práctico.

Elena Pérez

Responsable de Recursos Humanos

Mejor de lo esperado, la modalidad online se adapta a nuestros horarios. La ayuda con la bonificación FUNDAE hizo todo más fácil. Práctico y necesario.

Alejandro Sánchez

Director de Operaciones

Hugo Gutiérrez

Analista Financiero

Gracias a Imagina, la eficiencia de nuestras sesiones de capacitación ha mejorado drásticamente. Es sencillo de usar y los resultados son excepcionales.

Luis Martínez

Administrativo

Gracias al aula virtual de Imagina siempre son capaces de adaptar los cursos a nuestras necesidades. El contenido fue muy completo y práctico.

Elena Pérez

Responsable de Recursos Humanos

Mejor de lo esperado, la modalidad online se adapta a nuestros horarios. La ayuda con la bonificación FUNDAE hizo todo más fácil. Práctico y necesario.

Alejandro Sánchez

Director de Operaciones

480.000 alumnos formados en Imagina

Ver todas las opiniones

Preguntas frecuentes

Resolvemos todas tus dudas sobre nuestra formación en MLDD (Machine Learning Driven Development)

Explora las respuestas a las preguntas que guian a nuestra comunidad. Aqui encontraras claridad sobre como funciona todo, desde el acceso hasta los detalles de los cursos. Si buscas respuestas, este es el lugar para comenzar.

MLDD significa Machine Learning Driven Development: desarrollo de software guiado por modelos de machine learning, datos, experimentación, evaluación y mejora continua.

¿Tienes dudas?
Estamos aqui para ayudarte

Contactar

MLDD significa Machine Learning Driven Development: desarrollo de software guiado por modelos de machine learning, datos, experimentación, evaluación y mejora continua.

¿Tienes dudas?
Estamos aqui para ayudarte

Contactar

Recursos extra

Descubre nuestros tutoriales

Automatización con Microsoft

Qué es Microsoft Power Automate y para qué sirve

November 05, 2025

Descubre Que es Microsoft Power Automate o Microsoft Flow: Guía Completa de la Herramienta de Automatización de Tareas de Microsoft

Seguridad

¿Qué es Kali Linux y para qué se utiliza?

June 17, 2025

Descubre cómo instalar Kali Linux fácilmente y empieza a usar esta herramienta esencial para pruebas de penetración y análisis forense digital.

Recursos Humanos

Top 5 Cursos Bonificados para Trabajadores en 2025

June 09, 2025

Conoce los cursos bonificados para trabajadores 2025 más demandados y cómo puedes inscribir a tus empleados para aprovechar los créditos formativos de FUNDAE.

Prevención

5 Cursos Obligatorios para cualquier Empresa en 2025

May 26, 2025

Conoce los cursos obligatorios para empresas 2025 y cómo asegurar que tu organización cumpla con las normativas actuales sin riesgos de sanciones.

Recursos Humanos

Cursos Bonificados por Fundación Tripartita en 2025

May 05, 2025

Descubre los mejores cursos bonificados para empresas en 2025 por la Fundación Tripartita. Aumenta la productividad de tu equipo sin costes adicionales.

Recursos extra

Para que aprendas mensualmente
con nosotros

Tutoriales

Nuestra colección de contenido educacional

Qué es Microsoft Power Automate y para qué sirve

¿Qué es Kali Linux y para qué se utiliza?

Top 5 Cursos Bonificados para Trabajadores en 2025

5 Cursos Obligatorios para cualquier Empresa en 2025

Cursos Bonificados por Fundación Tripartita en 2025

Da el salto y aprende con nuestros cursos

Solicita información

Diseñemos hoy el curso que tu empresa necesita

Cuéntanos tus objetivos de negocio y prepararemos una propuesta formativa bonificable totalmente ad hoc

Solicitar presupuesto personalizado

Curso de MLDD (Machine Learning Driven Development) para empresas

Aprende con el curso de MLDD (Machine Learning Driven Development) para empresas hasta 100% bonificado, a medida para tu organización.

Modalidad Aula Virtual Personalizada

Curso de MLDD (Machine Learning Driven Development) hasta 100% Bonificable a través de FUNDAE

Tu bonificación paso a paso

La formación que decideste devuelve dinero

Une machine learning e ingeniería de software

Evita modelos que no llegan a producción El curso enseña a transformar experimentos en sistemas ML operables, reproducibles, versionados y mantenibles.

Mejora la calidad de las decisiones ML Los alumnos aprenden a definir métricas, costes de error, umbrales, explicabilidad, sesgos y criterios de aceptación desde el inicio.

Refuerza MLOps y gobierno Incluye pipelines, model registry, CI/CD, monitorización, drift, retraining, privacidad, seguridad, documentación y roles.

Sirve para equipos mixtos Está diseñado para alinear data scientists, desarrolladores, arquitectos, DevOps, producto, QA y negocio alrededor de una metodología común.

Prepara para sistemas predictivos y generativos El curso cubre modelos clásicos, recomendadores, anomalías, APIs de inferencia y también principios aplicables a LLMOps y sistemas generativos.

Personaliza el temario al 100% para tu equipo

Nueva Plataformade E-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje

Acceso a las grabaciones

Recursos formativos

Confirmación de asistencia

Ejercicios prácticos

Acceso a las grabaciones

Recursos formativos

Confirmación de asistencia

Ejercicios prácticos

Practica y mejora con nuestra plataforma

Temario del curso

Pensado para quienes deben dominar MLDD (Machine Learning Driven Development) en su día a día

Empresas que ya han formado a sus equipos

Resolvemos todas tus dudas sobre nuestra formación en MLDD (Machine Learning Driven Development)

Descubre nuestros tutoriales

Qué es Microsoft Power Automate y para qué sirve

¿Qué es Kali Linux y para qué se utiliza?

Top 5 Cursos Bonificados para Trabajadores en 2025

5 Cursos Obligatorios para cualquier Empresa en 2025

Cursos Bonificados por Fundación Tripartita en 2025

Para que aprendas mensualmentecon nosotros

Nuestra colección de contenido educacional

Da el salto y aprende con nuestros cursos

Diseñemos hoy el curso que tu empresa necesita

Temario del curso

La formación que decides
te devuelve dinero

Nueva Plataforma
de E-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje

Para que aprendas mensualmente
con nosotros