Skip to content
Projects

joedejesus/JJ_ML_DL_BOOK has 7 GitHub stars and 0 forks. GitHot measured 0 stars in 24 hours. Last checked 2026-11-15 16:41 UTC. Last push 2026-11-10.

How these counts are measured

Measured star growth

in 24h
0
in 7 days
Update delayed
in 15 days
Update delayed
in 1 month
Update delayed

Net star changes over overlapping periods, not daily totals. Missing measurements are left blank. Stars measure attention, not software quality.

About

Recurso educativo en español sobre Data Science, Machine Learning, Deep Learning, NLP y Transformers con Python, PyTorch y Jupyter.

Machine Learning

README.md

Original

JJ ML DL BOOK

JJ ML DL BOOK es un libro práctico en español sobre ciencia de datos, machine learning, deep learning y procesamiento del lenguaje natural. Su propósito es facilitar el aprendizaje mediante un recorrido progresivo que conecta los fundamentos matemáticos con ejemplos de código y proyectos educativos.

Para utilizarlo, descarga el repositorio, prepara el entorno de Python y abre los notebooks en VS Code o Jupyter. Puedes seguir las fases en orden, ejecutar y modificar los ejemplos, añadir tus apuntes y completar los proyectos para afianzar lo aprendido.

Python Jupyter NumPy pandas scikit-learn PyTorch Hugging Face Licencia

4 fases · 35 temas · 4 proyectos finales · 143 notebooks, incluido un cuaderno de laboratorio.

Inicio rápido · Explorar el recorrido · Ver los proyectos · Preparar el entorno · Licencia

Alcance: este material está orientado al estudio y la experimentación sin fines comerciales. También puede utilizarse para impartir clases gratuitas según la licencia. Los ejemplos y sus resultados no son soluciones listas para producción ni una base suficiente para tomar decisiones reales.


A quién va dirigido

Este libro está dirigido a personas que quieren iniciarse en la ciencia de datos y el aprendizaje automático, así como a quienes desean repasar sus fundamentos y practicar con ejemplos. No es necesario tener experiencia previa en machine learning, pero se recomienda conocer los conceptos básicos de Python, como variables, funciones y estructuras de datos.

El recorrido comienza con fundamentos matemáticos aplicados; si ya tienes experiencia, puedes acceder directamente a los temas o proyectos que te interesen.

Inicio rápido

  1. En GitHub, selecciona Code > Download ZIP y descomprime el archivo, o clona el repositorio si utilizas Git.
  2. Abre la carpeta descargada en VS Code e instala sus extensiones de Python y Jupyter si aún no las tienes.
  3. Crea el entorno e instala las dependencias siguiendo la preparación del entorno.
  4. Abre el primer notebook de álgebra lineal, selecciona el intérprete del entorno como kernel y ejecuta las celdas en orden.

Qué encontrarás

  • Fundamentos conectados: matemáticas y datos antes de modelos, redes y aplicaciones de NLP.
  • Notebooks por tema: ejemplos organizados en carpetas numeradas para estudiar y ejecutar en orden.
  • Cuatro proyectos locales: casos de clientes, riesgo crediticio, imágenes industriales y tickets de soporte, cada uno con su propia documentación.
  • Un laboratorio: un cuaderno inicial para experimentar fuera del recorrido principal.
  • Limitaciones explícitas: los ejemplos priorizan el aprendizaje; sus datos, evaluaciones y dependencias tienen límites que conviene conocer.

El recorrido

flowchart LR
    A[01 · Matemáticas y datos] --> B[02 · Machine learning]
    B --> C[03 · Deep learning]
    C --> D[04 · NLP y transformers]
    E[05 · Laboratorio complementario]
Fase Enfoque Punto de entrada
01 · Matemáticas y ciencia de datos Álgebra, estadística, cálculo, preparación y visualización de datos Álgebra lineal aplicada
02 · Machine learning Preprocesamiento, modelos, evaluación e interpretabilidad Fundamentos de machine learning
03 · Deep learning PyTorch, entrenamiento, regularización, CNN, RNN y transfer learning Fundamentos de PyTorch
04 · NLP y transformers Tokenización, embeddings, modelos de texto, ajuste e inferencia Tokenización
05 · Laboratorio Espacio complementario para experimentar Cuaderno del laboratorio

Si empiezas desde cero, sigue las fases y sus temas en orden y cierra cada fase con su proyecto. Si ya tienes experiencia, puedes empezar por los proyectos y volver a los temas que quieras repasar.

Índice de temas

01 · Matemáticas y ciencia de datos
  1. Álgebra lineal aplicada
  2. Estadística aplicada
  3. Cálculo aplicado al aprendizaje automático
  4. Normalización y estandarización
  5. NumPy
  6. Pandas
  7. Visualización de datos
  8. Proyecto de ciencia de datos
02 · Machine learning
  1. Fundamentos de machine learning
  2. Preprocesamiento
  3. Ingeniería de características
  4. Modelos supervisados
  5. Modelos basados en árboles
  6. Modelos avanzados
  7. Modelos no supervisados
  8. Evaluación de modelos
  9. Interpretabilidad de modelos
  10. Proyecto de machine learning
03 · Deep learning
  1. Fundamentos de PyTorch
  2. Datasets y dataloaders
  3. Transformaciones
  4. Redes neuronales artificiales
  5. Entrenamiento de redes
  6. Regularización
  7. Optimización avanzada
  8. Data augmentation
  9. Redes convolucionales
  10. Redes recurrentes
  11. Transfer learning
  12. Proyecto de deep learning
04 · NLP y transformers
  1. Tokenización
  2. Embeddings
  3. Modelos recurrentes para texto
  4. Transformers
  5. Hugging Face
  6. Fine-tuning con Trainer
  7. Evaluación de modelos de texto
  8. Inferencia optimizada
  9. Proyecto de NLP y transformers

Proyectos finales

Cada proyecto reúne su notebook y los recursos locales que utiliza. Sus README explican la ejecución, los resultados y las limitaciones.

Proyecto Caso educativo Acceso
Ciencia de datos Analizar abandono de clientes y comparar clasificadores tabulares. Notebook · Documentación
Machine learning Preparar datos y comparar modelos de clasificación del impago. Notebook · Documentación
Deep learning Entrenar una CNN pequeña para distinguir piezas correctas y defectuosas. Notebook · Documentación
NLP y transformers Tokenizar tickets, ajustar un clasificador local y realizar inferencia. Notebook · Documentación

Antes de interpretar los resultados

Ejecutar un ejemplo no garantiza que sus resultados sean fiables ni que la evaluación mida generalización:

  • Proyectos tabulares: el análisis exploratorio usa todos los datos antes de la división y la evaluación emplea una sola partición de prueba.
  • Proyecto visual: las copias exactas de imágenes de prueba se excluyen del entrenamiento, pero el dataset sigue siendo pequeño y sintético.
  • Proyecto de NLP: el vocabulario y el dataset son pequeños; no se ha verificado el origen de los pesos locales ni la utilidad real de las predicciones. La puntuación softmax no está necesariamente calibrada.

Los datos de los proyectos son ejemplos pequeños y sintéticos. Consulta las limitaciones de cada README antes de interpretar métricas o predicciones.

Preparación del entorno

Las versiones fijadas están en requirements.txt. El entorno de revisión utiliza Python 3.13.2 y pip check no detectó conflictos en él. Esto no certifica una instalación limpia, compatibilidad con otras versiones de Python ni el funcionamiento en otras plataformas o con GPU.

Windows

Desde la raíz del proyecto:

python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -r requirements.txt

Si la política de PowerShell impide activar el entorno, usa su intérprete directamente:

.\.venv\Scripts\python.exe -m pip install -r requirements.txt

Como alternativa, setup_env.cmd crea o reutiliza venv, instala las dependencias y ejecuta pip check. No borra el entorno existente ni ejecuta los notebooks; la instalación puede modificar los paquetes de ese entorno.

macOS y Linux

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt

Estas instrucciones son orientativas: no se ha verificado una instalación limpia en macOS o Linux.

Ejecutar los notebooks

  1. Abre el proyecto en VS Code con soporte de Python y Jupyter, o usa una instalación propia de Jupyter.
  2. Selecciona el intérprete del entorno virtual como kernel.
  3. Abre un notebook y ejecuta sus celdas en orden.
  4. Para los proyectos finales, comprueba el directorio de trabajo: cada notebook busca sus recursos en el directorio actual y sus antecesores.
  5. Consulta el README del proyecto para comprobar los resultados esperados y sus limitaciones.

El archivo de dependencias incluye componentes de Jupyter y el kernel de Python, pero no instala por sí mismo la interfaz de JupyterLab. GitHub permite consultar los archivos publicados; para ejecutar los ejemplos es necesario un entorno de Python preparado.

Directorio de trabajo de los proyectos

Cada proyecto final necesita que el directorio de trabajo sea su propia carpeta o una carpeta dentro de ella. Si el kernel se inicia desde la raíz del repositorio, no encontrará los recursos del proyecto.

Para comprobarlo, ejecuta from pathlib import Path; print(Path.cwd()) en una celda. Si necesitas cambiarlo, ejecuta la siguiente celda antes de las demás, sustituyendo el texto por la ruta absoluta de la carpeta del proyecto:

import os
from pathlib import Path

os.chdir(r"RUTA_ABSOLUTA_DE_LA_CARPETA_DEL_PROYECTO")
print(Path.cwd())

El cambio afecta al proceso del kernel; si lo reinicias, comprueba de nuevo el directorio.

Recursos externos y archivos de salida

Los cuatro proyectos finales usan recursos locales. Algunos notebooks temáticos necesitan conexión y espacio adicional para descargar modelos, tokenizadores o datasets:

  • El ejemplo de GloVe necesita sus vectores preentrenados si no están en caché. TorchText los guarda por defecto en .vector_cache/ dentro del directorio de trabajo; esta carpeta está excluida de Git.
  • El ejemplo de ELMo requiere AllenNLP y sus modelos, que no están incluidos en el entorno base; su compatibilidad con el resto de dependencias no se ha verificado.
  • Algunos entrenamientos o exportaciones pueden crear archivos y carpetas de salida. Revisa sus rutas antes de ejecutarlos; las salidas locales conocidas están excluidas en .gitignore.

Revisa las licencias y condiciones de las bibliotecas, datasets, modelos y demás recursos de terceros antes de utilizarlos.

Documentación y participación

Documento Para qué sirve
Proyectos finales Acceder a cada notebook y su documentación
Laboratorio Conocer el estado y uso del espacio de experimentación
Contribuciones Comunicar errores, dudas o propuestas
Código de conducta Conocer las normas de participación
Seguridad Reportar problemas mediante divulgación responsable
Licencia Consultar permisos, restricciones y responsabilidad

Si están habilitados, los issues y las Discussions pueden utilizarse para comunicar errores o propuestas. Los pull requests externos no son la vía ordinaria de contribución; consulta CONTRIBUTING.md.

Licencia y uso

Puedes descargar el libro gratuitamente, abrirlo en VS Code y ejecutar sus notebooks para estudiar, investigar y experimentar sin fines comerciales ni de lucro, sin pedir permiso. Puedes modificar y guardar tus copias privadas: añade apuntes, comentarios o celdas, resuelve ejercicios y cambia el texto o el código para aprender. Esto también se permite si estudias en un curso de pago o te preparas para tu actividad profesional. Puedes compartir el enlace al repositorio.

Los profesores pueden utilizar y mostrar el contenido en clases gratuitas para los estudiantes, incluso si reciben un salario por enseñar. Este permiso no incluye entregar o distribuir copias ni publicar adaptaciones.

El contenido original está sujeto a una licencia de uso educativo no comercial, no a una licencia de código abierto. Los forks dentro de GitHub están sujetos a las condiciones de la plataforma. La redistribución fuera de GitHub, la publicación de adaptaciones o fragmentos y los usos comerciales requieren autorización previa, salvo los usos permitidos por la ley. Consulta los detalles en LICENSE.

Las bibliotecas, datasets, modelos y demás componentes de terceros conservan sus propios términos.