Curso de Scikit-Learn
El curso de Scikit-Learn es una formación para empresas en Aula Virtual, en directo y a medida de cada equipo, bonificable hasta el 100% por FUNDAE. Su temario tiene 21 temas y está pensado para Data scientists y analistas de datos, Ingenieros de datos y perfiles técnicos y Analistas de negocio avanzados.
- Modalidad
- Aula Virtual a medida, en directo
- Duración
- Personalizada
- Formador
- Experto en Scikit-Learn, en directo
- FUNDAE
- Bonificable hasta el 100 % · gestión incluida
Reserva ya tu formación con el crédito 2027
Bonificable hasta el 100 % según tu crédito FUNDAE · gestión incluida
Modalidad Aula Virtual Personalizada
Curso de Scikit-Learn 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 informaciónTemario 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.
Curso de Scikit-Learn hasta 100% Bonificable a través de FUNDAE
Tu bonificación paso a paso
Este programa de Scikit-Learn para empresas es bonificable hasta el 100 % según tu crédito FUNDAE.
Si tu crédito FUNDAE cubre el importe, el curso puede salirte a 0 €.
- Potencia las habilidades de análisis y visualización de datos de tus profesionales.
- Accede a una formación avanzada en Scikit-Learn práctica y orientada a resultados.
- Prepara a tu equipo para tomar decisiones basadas en datos fiables.
- La gestión ante FUNDAE de la bonificación de este curso corporativo de Scikit-Learn está incluida.
Calcula tu bonificación
Revisamos tu caso
Preparamos la gestión
Tu equipo realiza el curso
Aplicas la bonificación
La formación que decides
te devuelve dinero
Todos nuestros cursos son bonificables a través de FUNDAE.
Gestionamos toda la documentación por ti.
Bonificable hasta el 100 % según tu crédito FUNDAE*
*Si el crédito disponible de tu empresa cubre el importe del curso. Calcula tu crédito y te confirmamos el coste neto.
Calcula tu crédito aproximado
Crédito bonificable estimado
897 €*
*Cálculo orientativo
Cubre el ciclo completo de machine learning
Reduce errores habituales El curso insiste en evitar data leakage, overfitting, métricas inadecuadas, particiones incorrectas y pipelines incompletos.
Prepara modelos mantenibles El alumno aprende a guardar pipelines completos, versionar dependencias, documentar decisiones y preparar scoring reproducible.
Sirve para muchos casos de negocio Incluye clasificación, regresión, clustering, anomalías, scoring, segmentación, texto, datos desbalanceados y modelos explicables.
Incorpora buenas prácticas actuales Incluye cambios recientes de scikit-learn, interoperabilidad con dataframes, callbacks, metadata routing, sparse interface y workflows modernos.
Genera un proyecto aplicable El Proyecto Final produce una solución completa con dataset, pipeline, modelos, evaluación, explicación, persistencia, informe y plan de despliegue.
Personaliza el temario al 100% para tu equipo
Diseñamos una formación a medida utilizando los documentos y flujos de trabajo reales de tu empresa.
Temario del curso
Encuentra todo el temario del curso aquí.
Comprender qué es scikit-learn y por qué sigue siendo una librería clave para machine learning clásico en Python.
Diferenciar scikit-learn de pandas, NumPy, SciPy, statsmodels, XGBoost, LightGBM, PyTorch, TensorFlow y librerías AutoML.
Revisar los tipos de problemas que scikit-learn resuelve mejor: clasificación, regresión, clustering, reducción de dimensionalidad y preprocessing.
Entender cuándo scikit-learn es suficiente y cuándo conviene combinarlo con librerías especializadas.
Revisar el flujo completo de trabajo: datos, preparación, partición, pipeline, entrenamiento, evaluación, ajuste y entrega.
Entender la filosofía de la API: estimators, transformers, predictors, fit, transform, predict y score.
Preparar el entorno de trabajo con Python, entorno virtual, Jupyter, scikit-learn, pandas, NumPy y matplotlib.
Revisar cambios recientes relevantes: callbacks, dataframe interoperability, sparse interface, metadata routing y soporte Array API.
Identificar errores frecuentes al empezar: entrenar con datos de test, normalizar fuera del pipeline o elegir métricas incorrectas.
Definir un caso base de trabajo con datos tabulares empresariales para recorrer todo el ciclo de machine learning.
Comprender la estructura común de los objetos de scikit-learn.
Diferenciar estimadores supervisados, transformadores, meta-estimadores, pipelines y evaluadores.
Usar `fit()` para aprender parámetros desde datos de entrenamiento.
Usar `transform()` para transformar variables de forma reproducible.
Usar `predict()` y `predict_proba()` según el tipo de modelo y problema.
Usar `fit_transform()` de forma correcta en preparación de datos.
Comprender atributos terminados en guion bajo, como `coef_`, `classes_`, `feature_importances_` o `n_features_in_`.
Usar `get_params()` y `set_params()` para configurar modelos y búsquedas de hiperparámetros.
Revisar la representación HTML de estimadores y pipelines para depuración y documentación.
Crear una primera solución end-to-end con partición, modelo, predicción y métrica.
Identificar variables numéricas, categóricas, ordinales, fechas, textos cortos, booleanos y variables objetivo.
Detectar valores perdidos, duplicados, inconsistencias, outliers, clases raras y columnas irrelevantes.
Separar claramente variables predictoras y variable objetivo.
Comprender la diferencia entre limpieza exploratoria y transformaciones que deben vivir dentro de un pipeline.
Aplicar imputación numérica y categórica con estrategias reproducibles.
Escalar variables con StandardScaler, MinMaxScaler, RobustScaler y MaxAbsScaler según el modelo.
Codificar variables categóricas con OneHotEncoder, OrdinalEncoder y estrategias para categorías desconocidas.
Tratar variables de fecha mediante extracción de componentes útiles.
Evitar data leakage al calcular transformaciones usando todo el dataset antes de particionar.
Crear un flujo de preparación replicable para datos de clientes, operaciones, incidencias, ventas o riesgo.
Comprender por qué ColumnTransformer es esencial en datasets con tipos de variables distintos.
Crear pipelines separados para variables numéricas, categóricas, ordinales y derivadas.
Combinar imputación, escalado, codificación y selección de columnas dentro de un único flujo.
Usar `remainder` para descartar o conservar columnas no transformadas.
Nombrar pasos de pipeline para facilitar depuración, búsqueda de hiperparámetros y documentación.
Usar `set_output` para trabajar con salidas tipo DataFrame cuando sea útil para interpretación.
Revisar la interoperabilidad actual con pandas, polars y otros dataframes soportados por el ecosistema.
Usar FeatureUnion o combinaciones de transformadores cuando varias representaciones deben convivir.
Controlar nombres de variables transformadas para análisis posterior de importancia o explicación.
Construir pipelines mantenibles que puedan entrenarse, validarse y guardarse sin pasos manuales fuera del flujo.
Diferenciar clasificación binaria, multiclase y multilabel.
Entrenar modelos de clasificación con LogisticRegression, KNeighborsClassifier, SVC, DecisionTreeClassifier y Naive Bayes.
Aplicar RandomForestClassifier, ExtraTreesClassifier, HistGradientBoostingClassifier y GradientBoostingClassifier.
Interpretar probabilidades, clases, scores, umbrales y decisiones de clasificación.
Elegir algoritmos según tamaño de dataset, dimensionalidad, ruido, interpretabilidad y coste de entrenamiento.
Comparar modelos simples y modelos complejos con la misma estrategia de validación.
Identificar problemas de sobreajuste y subajuste en clasificación.
Ajustar hiperparámetros relevantes sin caer en búsquedas innecesariamente grandes.
Aplicar clasificación a casos empresariales: churn, fraude, priorización comercial, incidencias y riesgo.
Preparar un baseline sólido antes de optimizar modelos más complejos.
Diferenciar problemas de regresión frente a clasificación y forecasting temporal.
Entrenar modelos lineales: LinearRegression, Ridge, Lasso, ElasticNet y SGDRegressor.
Usar KNeighborsRegressor, SVR, DecisionTreeRegressor y modelos basados en ensembles.
Aplicar RandomForestRegressor, ExtraTreesRegressor, GradientBoostingRegressor y HistGradientBoostingRegressor.
Interpretar coeficientes, importancia de variables, residuos y errores de predicción.
Evaluar MAE, MSE, RMSE, R², MAPE y métricas robustas según el contexto de negocio.
Detectar heterocedasticidad, outliers influyentes, errores sistemáticos y segmentos mal predichos.
Transformar variables objetivo cuando hay asimetrías, colas largas o valores extremos.
Aplicar regresión a demanda, costes, tiempos de resolución, ingresos, consumo o riesgo cuantitativo.
Comparar modelos usando validación cruzada y análisis de error por segmento.
Diferenciar train, validation, test, cross-validation, holdout y validación temporal.
Usar train_test_split con estratificación cuando la variable objetivo lo requiere.
Aplicar KFold, StratifiedKFold, GroupKFold, TimeSeriesSplit y ShuffleSplit según el problema.
Elegir métricas de clasificación: accuracy, precision, recall, F1, ROC AUC, PR AUC, log loss y balanced accuracy.
Interpretar matriz de confusión y errores por clase.
Evaluar regresión con MAE, RMSE, R², median absolute error, pinball loss y métricas adaptadas al negocio.
Usar cross_val_score, cross_validate y cross_val_predict con criterio.
Evitar comparar modelos con particiones distintas, métricas incompatibles o datasets contaminados.
Usar intervalos, desviaciones y estabilidad de resultados para no depender de una única partición.
Preparar una estrategia de evaluación defendible para proyectos empresariales.
Comprender qué son hiperparámetros y cómo afectan al rendimiento y la generalización.
Usar GridSearchCV para búsquedas exhaustivas en espacios pequeños y controlados.
Usar RandomizedSearchCV para explorar espacios amplios con menor coste.
Aplicar HalvingGridSearchCV y HalvingRandomSearchCV cuando se busca eficiencia progresiva.
Definir espacios de búsqueda razonables según algoritmo, datos y presupuesto computacional.
Optimizar pipelines completos, incluyendo preprocessing y modelo.
Usar métricas customizadas y scoring múltiple cuando el negocio tiene varios objetivos.
Evitar optimizar sobre el conjunto de test.
Registrar resultados de búsqueda, ranking, parámetros, scores medios, desviación y tiempos.
Seleccionar modelo final considerando rendimiento, interpretabilidad, coste, estabilidad y mantenimiento.
Crear variables derivadas que aporten señal de negocio sin introducir leakage.
Trabajar con fechas, ratios, agregaciones, flags, conteos y transformaciones numéricas.
Aplicar PolynomialFeatures cuando las interacciones aportan valor y el tamaño lo permite.
Usar KBinsDiscretizer, PowerTransformer y QuantileTransformer en escenarios adecuados.
Evaluar variables mediante SelectKBest, SelectPercentile, mutual_info, chi2, f_classif y f_regression.
Aplicar RFE, RFECV, SelectFromModel y selección basada en coeficientes o importancias.
Detectar variables redundantes, correlacionadas, constantes o casi constantes.
Controlar cardinalidad alta en variables categóricas.
Mantener trazabilidad entre variable original, transformación y variable final del modelo.
Documentar variables eliminadas, creadas y seleccionadas con criterio técnico y funcional.
Entender por qué los modelos lineales siguen siendo útiles en entornos empresariales.
Aplicar regresión lineal, Ridge, Lasso y ElasticNet para predicción continua.
Aplicar LogisticRegression para clasificación binaria y multiclase.
Comprender regularización L1, L2 y elastic net como mecanismos de control de complejidad.
Interpretar coeficientes con variables escaladas y codificadas correctamente.
Usar SGDClassifier y SGDRegressor en datasets grandes o aprendizaje incremental.
Ajustar solvers, penalizaciones, tolerancias, iteraciones y class_weight.
Revisar calibración y umbrales en modelos logísticos.
Detectar colinealidad, separación, coeficientes inestables y sensibilidad a outliers.
Usar modelos lineales como baseline, modelo explicable o solución productiva sencilla.
Comprender árboles de decisión como modelos basados en particiones del espacio de variables.
Controlar profundidad, número mínimo de muestras, hojas, criterios y poda.
Interpretar árboles pequeños y sus reglas de decisión.
Aplicar RandomForest para mejorar estabilidad frente a un árbol individual.
Usar ExtraTrees cuando se busca aleatorización adicional y velocidad.
Aplicar GradientBoosting y HistGradientBoosting para problemas tabulares con buen rendimiento.
Configurar learning_rate, max_iter, max_leaf_nodes, regularización y early stopping cuando proceda.
Analizar importancia de variables con cautela, especialmente ante variables correlacionadas o cardinalidad alta.
Comparar ensembles con modelos lineales en calidad, interpretabilidad, coste y mantenimiento.
Usar ensembles en scoring, clasificación, regresión, segmentación supervisada y modelos de riesgo.
Comprender Support Vector Machines para clasificación y regresión en espacios de alta dimensión.
Diferenciar SVC, LinearSVC, SVR, LinearSVR y uso de kernels.
Ajustar C, gamma, kernel y escalado previo en SVM.
Usar KNeighborsClassifier y KNeighborsRegressor cuando la noción de proximidad tiene sentido.
Comprender impacto de escalado, métrica de distancia, número de vecinos y dimensionalidad.
Aplicar Naive Bayes en texto, conteos, clasificación rápida y problemas con independencia aproximada.
Usar GaussianNB, MultinomialNB, ComplementNB y BernoulliNB según los datos.
Identificar cuándo estos métodos son competitivos frente a modelos más complejos.
Evaluar coste computacional, sensibilidad a escala, interpretabilidad y robustez.
Construir comparativas de modelos especializados frente a baselines y ensembles.
Diferenciar aprendizaje supervisado y no supervisado.
Aplicar KMeans, MiniBatchKMeans, AgglomerativeClustering, DBSCAN, HDBSCAN si está disponible y GaussianMixture cuando procede.
Elegir número de clusters con inertia, silhouette, estabilidad, interpretabilidad y criterio de negocio.
Escalar variables antes de clustering cuando la distancia lo requiere.
Interpretar clusters mediante perfiles, centroides, variables relevantes y distribución de segmentos.
Detectar clusters artificiales producidos por escalas, outliers o variables irrelevantes.
Usar clustering para segmentación de clientes, incidencias, productos, comportamiento o procesos.
Diferenciar clustering exploratorio de segmentación accionable.
Crear etiquetas interpretables para negocio sin forzar conclusiones.
Preparar resultados de clustering para dashboards, campañas, priorización o análisis posterior.
Usar PCA para reducir dimensionalidad y analizar estructura de datos.
Interpretar varianza explicada, componentes principales y carga de variables.
Aplicar TruncatedSVD en matrices dispersas o datos textuales.
Usar NMF cuando se buscan componentes no negativos interpretables.
Aplicar KernelPCA, Isomap, MDS, SpectralEmbedding y TSNE en análisis exploratorios específicos.
Diferenciar reducción de dimensionalidad para visualización, compresión, preprocessing o extracción de señal.
Evitar interpretar visualizaciones 2D como pruebas definitivas de estructura real.
Combinar reducción de dimensionalidad con clustering o clasificación cuando aporta valor.
Controlar escalado, aleatoriedad, parámetros y reproducibilidad.
Preparar gráficos y explicaciones comprensibles para perfiles técnicos y de negocio.
Diferenciar outlier, anomalía, novedad, error de dato y caso extremo legítimo.
Aplicar IsolationForest para detectar observaciones atípicas en datos tabulares.
Usar LocalOutlierFactor para anomalías basadas en densidad local.
Aplicar OneClassSVM cuando se modela la frontera de datos normales.
Usar EllipticEnvelope cuando los datos se aproximan a una distribución adecuada.
Ajustar contamination, scores, umbrales y sensibilidad del modelo.
Evaluar anomalías cuando no existe ground truth claro.
Revisar falsos positivos y falsos negativos con conocimiento de negocio.
Aplicar detección de anomalías en fraude, calidad, sensores, operaciones, logs, finanzas o incidencias.
Crear flujos donde la anomalía genera revisión humana, no una decisión automática ciega.
Usar CountVectorizer y TfidfVectorizer para convertir texto en variables numéricas.
Aplicar n-grams, stop words, max_features, min_df, max_df y normalización de texto.
Combinar texto con variables tabulares dentro de un ColumnTransformer.
Clasificar incidencias, tickets, comentarios, emails, reseñas o solicitudes internas.
Usar HashingVectorizer cuando se necesita transformar texto a escala con memoria controlada.
Evaluar modelos lineales, Naive Bayes y SVM sobre texto vectorizado.
Controlar leakage cuando el texto contiene campos derivados del resultado.
Gestionar variables categóricas de alta cardinalidad con estrategias seguras.
Preparar pipelines mixtos con numéricas, categóricas y texto.
Revisar límites de scikit-learn frente a embeddings modernos y modelos de lenguaje.
Identificar problemas de clases desbalanceadas en fraude, churn, riesgo, incidencias o clasificación médica.
Elegir métricas adecuadas: recall, precision, F1, PR AUC, balanced accuracy y coste de error.
Usar class_weight, sample_weight y estrategias de ponderación.
Ajustar umbrales de decisión según coste de falso positivo y falso negativo.
Interpretar curvas ROC, curvas precision-recall y matrices de confusión por umbral.
Calibrar probabilidades con CalibratedClassifierCV cuando la probabilidad se usa para decisión.
Validar calibración con curvas, Brier score y análisis por segmentos.
Evitar optimizar accuracy en problemas donde la clase minoritaria es la relevante.
Diseñar reglas de decisión combinando score, umbral, revisión humana y capacidad operativa.
Documentar el criterio de umbral para negocio, auditoría y mantenimiento.
Diferenciar interpretabilidad global, interpretabilidad local y explicación para negocio.
Analizar coeficientes en modelos lineales y su relación con variables transformadas.
Usar permutation importance para medir impacto de variables sobre el rendimiento.
Interpretar partial dependence plots e individual conditional expectation.
Revisar importancia de variables en árboles y ensembles con cautela.
Detectar variables proxy, sesgos, variables sensibles y señales no deseadas.
Explicar predicciones individuales cuando se usan modelos en decisiones relevantes.
Comparar interpretabilidad de modelos lineales, árboles, ensembles, SVM y pipelines complejos.
Preparar explicaciones comprensibles para usuarios no técnicos.
Documentar límites de interpretabilidad, supuestos y riesgos de lectura incorrecta.
Guardar pipelines entrenados con joblib de forma controlada.
Versionar datos, código, dependencias, parámetros, modelo, métricas y fecha de entrenamiento.
Evitar guardar solo el estimador sin preprocessing, variables y configuración.
Crear scripts reproducibles de entrenamiento, evaluación y scoring.
Usar random_state para controlar aleatoriedad cuando procede.
Gestionar compatibilidad de versiones de scikit-learn al cargar modelos antiguos.
Preparar funciones de inferencia con validación de esquema de entrada.
Crear batch scoring para datasets periódicos.
Exponer modelos mediante API interna cuando el caso lo requiere.
Documentar entrada esperada, salida, límites, métricas, fecha de validez y responsable del modelo.
Diferenciar notebook exploratorio, pipeline reproducible, servicio de scoring y modelo productivo.
Preparar modelos para procesos batch, APIs, aplicaciones internas o dashboards.
Monitorizar calidad de datos de entrada, drift, distribución de variables y tasa de errores.
Comparar predicciones actuales con resultados reales cuando estén disponibles.
Detectar degradación por cambios de mercado, proceso, producto, cliente o fuente de datos.
Definir frecuencia de reentrenamiento, validación y revisión humana.
Crear alertas ante variables faltantes, categorías nuevas, cambios de rango o caída de rendimiento.
Integrar modelos scikit-learn con MLflow, DVC, Airflow, FastAPI, Docker o herramientas corporativas.
Definir owners, documentación, aprobaciones, métricas mínimas y plan de retirada del modelo.
Preparar una guía de gobierno para uso responsable de modelos en entornos empresariales.
Diseñar una solución completa de machine learning con scikit-learn para un caso empresarial realista.
Seleccionar problema de clasificación, regresión, segmentación o detección de anomalías.
Definir objetivo de negocio, variable objetivo, usuarios, restricciones, métricas y criterio de éxito.
Preparar dataset con análisis inicial, calidad de datos, variables relevantes, nulos, outliers y duplicados.
Crear partición train/test adecuada, con estratificación, grupos o enfoque temporal cuando proceda.
Diseñar preprocessing con ColumnTransformer para variables numéricas, categóricas, texto o fechas.
Construir pipeline completo con transformaciones y modelo dentro del mismo flujo.
Entrenar al menos dos modelos baseline y dos modelos candidatos más avanzados.
Evaluar modelos con métricas adecuadas y validación cruzada.
Optimizar hiperparámetros del pipeline completo sin contaminar el conjunto de test.
Analizar errores por clase, segmento, rango, decil o perfil de negocio.
Ajustar umbral o calibrar probabilidades cuando el caso lo requiera.
Revisar interpretabilidad global y local mediante coeficientes, importancias o inspección del modelo.
Seleccionar modelo final justificando rendimiento, estabilidad, interpretabilidad, coste y mantenimiento.
Guardar pipeline entrenado con joblib y preparar script reproducible de inferencia.
Crear documentación técnica con datos, variables, preprocessing, modelos, métricas y decisiones.
Preparar informe ejecutivo con resultados, limitaciones, riesgos, impacto y recomendaciones.
Diseñar plan de despliegue: batch, API, dashboard, notebook operativo o integración interna.
Definir monitorización, reentrenamiento, control de versiones y responsables del modelo.
Presentar la solución final defendiendo calidad, trazabilidad, utilidad de negocio y gobierno.
¿Tienes dudas?
Estamos aquí para ayudarte
Pensado para quienes deben dominar Scikit-Learn en su día a día
Data scientists y analistas de datos
Profesionales que trabajan con datos estructurados y necesitan crear modelos predictivos, evaluar su calidad, comparar algoritmos, preparar variables y entregar resultados accionables para negocio.
Ingenieros de datos y perfiles técnicos
Equipos que preparan datasets, automatizan procesos analíticos, integran modelos en APIs o pipelines y necesitan entender cómo scikit-learn encaja en flujos productivos.
Analistas de negocio avanzados
Perfiles con base analítica que quieren pasar de análisis descriptivo a modelos predictivos, segmentación, scoring, clasificación y validación de hipótesis con machine learning.
Equipos de BI y reporting avanzado
Profesionales que desean incorporar modelos de predicción, clasificación o detección de patrones en dashboards, reporting ejecutivo y procesos internos de decisión.
Desarrolladores Python y backend
Perfiles que necesitan integrar modelos scikit-learn en aplicaciones, servicios internos, APIs, procesos batch, herramientas de scoring o sistemas de automatización.
Responsables técnicos y líderes de proyectos de IA
Profesionales que deben entender cómo se construyen modelos fiables, qué riesgos tienen, cómo se validan y qué criterios exigir antes de llevarlos a producción.
Plataforma
de e-learningFormación en directo con plataforma de apoyo para reforzar el aprendizaje
Acceso a las grabaciones
Las sesiones quedan grabadas para que cada alumno repase lo que necesite 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 registra las conexiones de cada participante: es la documentación que pide FUNDAE para bonificar el curso.
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
Las sesiones quedan grabadas para que cada alumno repase lo que necesite 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 registra las conexiones de cada participante: es la documentación que pide FUNDAE para bonificar el curso.
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 con IA que corrige tus ejercicios al momento, explica cada fallo y te enseña cuánto has avanzado.
Corrección mágica
Feedback inteligente
Aprende de cada acierto y fallo con explicaciones claras
Empresas que ya han formado a sus equipos
Experiencias reales de equipos que ya han trabajado con nosotros.
+16
años de liderazgo
+4.500
empresas formadas
Mi empresa contrató un Aula Virtual Personalizada con Imagina, después de tener malas experiencias con otras academias y nos sorprendió la profesionalidad con la que trabajan. Hicimos 3 reuniones técnicas con Martín antes de empezar la formación y quedamos encantados con el resultado, sin duda repetiremos.
5Rafael Romero
Coordinador de formación corporativa
Hice un Aula Virtual Personalizada con mi empresa y estamos muy contentos, plantean proyectos evolutivos durante las sesiones y todo el contenido es muy práctico. El profesor, Gorka, fue súper majo con nosotros y tenía mucha paciencia. Sin duda repetiremos.
5Francisco Jose Moreno
Director en Marketing Digital
Me recomendó Imagina un amigo que lleva bastante tiempo contratando cursos para su empresa y estoy muy satisfecho del resultado, te dan todas las facilidades con la gestión en FUNDAE, los cursos son muy completos y tienen muchísima variedad.
5Pablo Álvarez
Ingeniero de Sistemas
El curso de Power BI Desktop es muy completo, enfocado en la práctica y con muy buenos contenidos. Muy eficientes en el contacto y con la resolución de dudas. 100% recomendable.
4Gabriel Perelló
Responsable de Recursos Humanos
480.000 alumnos formados en Imagina
Resolvemos todas tus dudas sobre nuestra formación en Scikit-Learn
Lo que más nos preguntan sobre el curso, la bonificación y las fechas.
Scikit-learn es una librería de Python para machine learning que permite crear modelos de clasificación, regresión, clustering, preprocessing y evaluación.
¿Tienes dudas?
Estamos aquí para ayudarte
No. Parte de una base accesible, pero requiere conocimientos básicos de Python, pandas, NumPy y conceptos iniciales de machine learning.
¿Tienes dudas?
Estamos aquí para ayudarte
Se trabaja con datasets realistas y puede adaptarse a datos anonimizados de la empresa, siempre que se respeten permisos y confidencialidad.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí. Los pipelines son una parte central del curso para evitar fugas de información y construir flujos reproducibles.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí. Se trabaja en profundidad para combinar transformaciones sobre variables numéricas, categóricas, texto y fechas.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí. Se ven modelos lineales, vecinos, SVM, árboles, ensembles, boosting, Naive Bayes y evaluación con métricas adecuadas.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí. Se trabajan modelos lineales, regularización, árboles, ensembles, boosting, SVR y métricas de error.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí. Se aborda segmentación no supervisada, KMeans, clustering jerárquico, DBSCAN, GaussianMixture e interpretación de segmentos.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí. Se trabajan CountVectorizer, TfidfVectorizer, pipelines mixtos y clasificación de textos breves como tickets o comentarios.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí. Se trabajan GridSearchCV, RandomizedSearchCV, HalvingSearch, scoring múltiple y selección de modelos.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí. Se tratan class_weight, sample_weight, métricas adecuadas, umbrales, curvas precision-recall y calibración.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí. Se abordan coeficientes, importancias, permutation importance, partial dependence e interpretación para negocio.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí. Se cubren persistencia con joblib, scripts de scoring, APIs, batch scoring, monitorización, drift, versionado y gobierno.
¿Tienes dudas?
Estamos aquí para ayudarte
No como foco principal. El curso se centra en machine learning clásico con scikit-learn, aunque se explican límites frente a deep learning.
¿Tienes dudas?
Estamos aquí para ayudarte
Un proyecto completo con pipeline, modelos comparados, métricas, optimización, interpretabilidad, persistencia, informe y plan de despliegue.
¿Tienes dudas?
Estamos aquí para ayudarte
Sí, esta formación puede ser bonificable hasta el 100% a través de FUNDAE, siempre que la empresa disponga de crédito formativo suficiente y se cumplan los requisitos de comunicación, asistencia y documentación exigidos.
¿Tienes dudas?
Estamos aquí para ayudarte
Tutoriales de Machine Learning
¿Qué es SageMaker y Para qué Sirve?
23 de abril de 2025Introducción al Machine Learning con Python
22 de julio de 2024Otros cursos para tu equipo
Amazon Sagemaker
Aprende a desarrollar, entrenar y desplegar modelos de Machine Learning con Amazon SageMaker en este curso completo.
Análisis de textos con NLTK
Aprende todo lo necesario para utilizar herramientas de análisis de textos como NLTK de cara a extraer, procesar y analizar información de texto. Adequiere los conocimientos y habilidades en técnicas avanzadas de PLN necesarias para tokenización, etiquetado de parte de la oración, análisis sintáctico, análisis semántico y análisis de sentimiento.
Apache MXNet
Domina Apache MXNet para desarrollar modelos de machine learning y deep learning escalables y eficientes.
Diseñemos hoy el curso que tu empresa necesita
Cuéntanos qué necesita tu equipo y te preparamos una propuesta bonificable a su medida.
