1 · Primeros pasos
Hola mundo, variables y un vistazo a hacia dónde va este track.
●Track 1 · En vivo
Maestría en Python
Desde tu primer print hasta NumPy y Pandas — el lenguaje en el que se escribe el ML.
Un track completo de Python diseñado como base para todo lo que sigue. Sintaxis, estructuras de datos, funciones, POO, biblioteca estándar y el stack científico (NumPy, Pandas, Matplotlib, Seaborn). Cada lección ejecuta Python en tu navegador con Pyodide y ofrece desafíos del Arena con stdin/stdout.
59 / 60 lecciones17 capítulos
2 · Números, strings, booleanos
Los cuatro tipos primitivos al detalle — los bloques en los que descansa toda expresión de Python.
3 · Flujo de control
Ramificar con if/elif/else e iterar con for/while — los loops de los que depende todo script de entrenamiento.
4 · Estructuras de datos
Listas, tuplas, sets y diccionarios — los cuatro contenedores que toda app de Python usa para organizar datos.
5 · Funciones
Construye tus propias abstracciones — funciones, lambdas, map/filter, closures, decoradores. La caja de herramientas en la que descansa todo codebase de ML.
6 · Módulos y biblioteca estándar
Importa, empaqueta y aprovecha las baterías de Python — datetime, pathlib, json, itertools, functools, random.
7 · Archivos y excepciones
Lee y escribe archivos con pathlib y maneja errores con elegancia — toda pipeline de datos necesita ambos.
8 · Python orientado a objetos
Clases, herencia, polimorfismo, encapsulación, abstracción, métodos mágicos — la forma en que está construido cada framework que tocarás.
9 · Iteradores, generadores, decoradores avanzados
Evaluación perezosa y meta-programación — los patrones que te permiten transmitir gigabytes de datos y añadir comportamiento transversal sin tocar el cuerpo de la función.
10 · NumPy
La biblioteca de arrays empaquetados que convierte Python en una bestia numérica. Arrays, broadcasting y el álgebra lineal de la que dependen todos los modelos de ML.
11 · Pandas
Tablas en Python — Series, DataFrames, groupby, merge. La biblioteca que todo notebook de ML usa desde la línea uno.
12 · Visualización
Matplotlib y Seaborn — las bibliotecas de plotting en las que cada notebook de ML se apoya para curvas de pérdida, scatter plots y mapas de calor.
13 · SQLite y persistencia de datos
Persiste datos en un solo archivo con sqlite3 — y viaja DataFrames en una línea con Pandas.
14 · Logging
Reemplaza print() con logging estructurado y consciente de niveles — el mínimo indispensable para toda pipeline que corra más de 30 segundos.
15 · Concurrencia y paralelismo
Hilos, procesos, executors — cuándo usar cada uno y los gotchas del GIL que todo pythonista aprende a las malas.
16 · Memoria y Python idiomático
Conteo de referencias, GC cíclico, __slots__ y los pequeños hábitos que separan al Python principiante del Python de producción.
17 · El toolkit de scikit-learn
La API de estimadores, preprocesamiento, pipelines, selección de modelos y persistencia — el puente de Python hacia todos los tracks de ML.