Recursos para aprender machine learning en Python (otoño de 2026)

󰃭 2026-10-25 · 8 min de lectura

Contenido

Hace poco monté un pequeño laboratorio para trastear con machine learning en Ubuntu 26.04 (solo CPU, venv + pip, scikit-learn, Jupyter y PyTorch). Lo siguiente era decidir con qué aprender. El problema de este campo es que la mitad de los enlaces que circulan por ahí apuntan a cursos de 2019 con TensorFlow 1 y a libros con dos ediciones de retraso. Así que me he puesto a comprobar qué sigue vivo y actualizado a octubre de 2026, y esto es lo que ha quedado.

Criterios: material gratuito o con versión gratuita, en Python, con código que se puede ejecutar hoy sin pelearse con dependencias muertas, y revisado o publicado en los últimos dos años. Si algo tiene truco, lo digo.

Primero, las versiones que mandan #

Antes de instalar nada conviene saber dónde está cada cosa:

  • scikit-learn 1.9.0 (junio de 2026). Soporta Python 3.11 a 3.14 e incorpora narwhals como dependencia para hablar con más librerías de dataframes (pandas, Polars…). Se instala con pip install -U scikit-learn.
  • PyTorch 2.14.1 (septiembre de 2026), junto con TorchVision 0.29.1. Para CPU basta con pip install torch torchvision, pero mira siempre la orden exacta en la página oficial de instalación porque cambia con cada versión.

Esto importa porque muchos tutoriales escritos para PyTorch 1.x o para scikit-learn 0.2x funcionan, pero tienen avisos de deprecación por todas partes. Si ves sklearn.cross_validation en un notebook, cierra la pestaña.

Documentación oficial (sí, de verdad) #

  • Guía de usuario de scikit-learn — https://scikit-learn.org/stable/user_guide.html. No es solo referencia de API: la guía de usuario explica cada familia de algoritmos con ejemplos ejecutables y es, en la práctica, un manual de machine learning clásico. Los release highlights de cada versión son la mejor forma de ponerse al día si llevas tiempo sin tocarlo.
  • Tutoriales de PyTorch — https://pytorch.org/tutorials/. El “Learn the Basics” (tensores, Dataset/DataLoader, autograd, bucle de entrenamiento) se actualiza con cada versión y es lo primero que haría quien ya sabe Python pero nunca ha entrenado una red.

Machine learning clásico con scikit-learn #

Machine learning in Python with scikit-learn (Inria) #

https://inria.github.io/scikit-learn-mooc/

El MOOC que hace el propio Inria, la casa de scikit-learn. Es el curso que recomendaría a cualquiera que quiera entender bien el flujo completo: preprocesado, pipelines, validación cruzada, ajuste de hiperparámetros, modelos lineales, árboles y ensembles, interpretación. Todo con notebooks ejecutables y licencia CC-BY. La versión estática se puede seguir sin matricularse; el curso completo (foro, quizzes) está en la plataforma FUN-MOOC y es gratuito. El repositorio sigue recibiendo commits en 2026, así que el código funciona con versiones actuales.

Si solo vas a hacer un curso de esta lista, que sea este.

Machine Learning for Beginners (Microsoft) #

https://github.com/microsoft/ML-For-Beginners

Doce semanas de lecciones sobre machine learning clásico con Python y scikit-learn: regresión, clasificación, clustering, procesamiento de lenguaje natural clásico, series temporales. Está en GitHub con licencia MIT, por lo que puedes clonarlo y trabajarlo offline. Más guiado y menos profundo que el de Inria; buena alternativa si prefieres algo con estructura de “una lección por día”.

Kaggle Learn #

https://www.kaggle.com/learn

Microcursos de tres a cinco horas, gratuitos y con certificado gratuito. Intro to Machine Learning e Intermediate Machine Learning siguen siendo la vía de entrada más rápida: en una tarde tienes un modelo entrenado sobre datos reales. Después, el propio Kaggle te sirve de campo de pruebas con sus datasets y competiciones.

Machine Learning Crash Course (Google) #

https://developers.google.com/machine-learning/crash-course

Google lo reescribió hace poco y ahora cubre, además de regresión y clasificación, redes neuronales, modelos de lenguaje grandes, sistemas en producción y equidad. Totalmente gratuito, sin certificado. Es más conceptual que práctico (menos código que los anteriores), pero las visualizaciones interactivas son muy buenas para intuir qué hace cada parámetro.

Ojo: Google AI Essentials, que todo el mundo sigue recomendando como gratuito, ya no lo es; está detrás de una suscripción tanto en Coursera como en Google Skills. Lo gratuito de Google son el Crash Course y la ruta corta de introducción a la IA generativa.

Deep learning con PyTorch #

Neural Networks: Zero to Hero (Andrej Karpathy) #

https://karpathy.ai/zero-to-hero.html

Vídeos en YouTube, con repositorios enlazados, donde Karpathy construye desde cero un motor de autograd (micrograd), un modelo de lenguaje de caracteres, un MLP, batchnorm, WaveNet y, al final, GPT. Unas 19 horas. Es el mejor material que conozco para entender qué hace PyTorch por debajo antes de usarlo como caja negra. Pide algo de soltura con Python y no asustarse con derivadas.

En la misma línea, su proyecto nanochat (https://github.com/karpathy/nanochat) es un pipeline completo y legible para entrenar un pequeño chatbot tipo ChatGPT: tokenizador, preentrenamiento, fine-tuning e inferencia. Está pensado para GPUs, así que en un portátil con CPU sirve más para leer código que para ejecutarlo, pero como lectura es oro. Y será el proyecto final de LLM101n, el curso de su empresa Eureka Labs que aún no se ha publicado.

Practical Deep Learning for Coders (fast.ai) #

https://course.fast.ai/

Enfoque top-down: en la primera lección ya entrenas un clasificador de imágenes y la teoría llega después. Gratuito, con un libro de acompañamiento también gratuito en forma de notebooks. Dos matices honestos: la Parte 1 actual es la de 2022 y no ha habido una nueva edición desde entonces (el trabajo reciente de fast.ai es un curso aparte, de pago, con Answer.AI), y la librería fastai añade una capa sobre PyTorch que luego hay que desaprender un poco. Sigue siendo muy bueno; solo que no esperes LLMs al día.

MIT 6.S191: Introduction to Deep Learning #

https://introtodeeplearning.com/

El curso introductorio del MIT se imparte cada enero y publican vídeos, diapositivas y labs en PyTorch. La edición de 2026 ya está colgada, así que es de lo más actual que hay con sello universitario. Gratuito; el certificado de edX es de pago.

Machine Learning with Python (freeCodeCamp) #

https://www.freecodecamp.org/learn/machine-learning-with-python/

El currículo de freeCodeCamp se ha pasado a PyTorch (antes era TensorFlow) y termina con cinco proyectos obligatorios para obtener un certificado, que es gratuito de verdad. Unas 30 horas. Más orientado a “hacer” que a “entender”, pero el formato de proyectos evaluados funciona bien para no dejarlo a medias.

Modelos de lenguaje y agentes (Hugging Face) #

https://huggingface.co/learn

Hugging Face se ha convertido, sin hacer ruido, en el mejor catálogo gratuito de cursos sobre la parte moderna del asunto:

  • LLM Course: doce capítulos con la librería Transformers, desde tokenizadores hasta fine-tuning y despliegue. Hay traducción al español en marcha, hecha por la comunidad, aunque incompleta.
  • Agents Course: cinco unidades sobre agentes (smolagents, LlamaIndex, LangGraph) con proyecto final y certificación gratuita. Es el curso de agentes más recomendado de 2026 y con razón.
  • MCP Course y smol course: para quien quiera meterse en el protocolo de contexto de modelos o en el fine-tuning de modelos pequeños.

Todo se puede leer sin cuenta; con una cuenta gratuita se hacen los ejercicios y se consigue el certificado. El código está pensado para Colab, pero los notebooks corren igual en un Jupyter local.

Como complemento escrito, AI Agents for Beginners de Microsoft (https://github.com/microsoft/ai-agents-for-beginners) son quince lecciones en GitHub, con licencia MIT, para quien prefiera leer código a ver vídeos.

Libros #

Aquí es donde más cuidado hay que tener con las ediciones viejas.

  • Hands-On Machine Learning with Scikit-Learn and PyTorch — Aurélien Géron (O’Reilly, finales de 2025). Es la nueva encarnación del clásico Hands-On Machine Learning, que en sus tres ediciones anteriores usaba Keras y TensorFlow. Esta abandona TensorFlow, pasa a PyTorch, se apoya en el ecosistema de Hugging Face y añade transformers, modelos de difusión y agentes con aprendizaje por refuerzo. Si vas a comprar un solo libro, este. No compres la tercera edición de 2022 pensando que es la misma: no lo es.
  • Machine Learning with PyTorch and Scikit-Learn — Sebastian Raschka, Yuxi Liu y Vahid Mirjalili (Packt, 2022). Sigue vigente para ML clásico más deep learning básico en PyTorch; el código está mantenido en GitHub. Alternativa sólida al de Géron, algo más académica.
  • Build a Large Language Model (From Scratch) — Sebastian Raschka (Manning, 2024) y su continuación Build a Reasoning Model (From Scratch) (Manning, agosto de 2026). El primero implementa un GPT en PyTorch puro, línea a línea; el segundo parte de un modelo preentrenado y añade razonamiento con chain-of-thought, autoconsistencia, aprendizaje por refuerzo con recompensas verificables (GRPO) y destilación. Son los libros que leería después de Karpathy.
  • Speech and Language Processing — Jurafsky y Martin. El borrador de la tercera edición es gratuito en PDF y se actualiza continuamente; la versión de 2026 ya incluye capítulos sobre instruction tuning, RLHF, RAG, agentes y evaluación. Para la parte de lenguaje, no hay nada comparable que sea gratis.

Un itinerario razonable #

Para alguien que ya programa en Python y quiere aprender en serio sin GPU:

  1. Kaggle Learn (Intro + Intermediate): una tarde, para tener algo funcionando y ver de qué va.
  2. MOOC de Inria: el núcleo del ML clásico con scikit-learn, bien hecho. Unas semanas.
  3. Karpathy, Zero to Hero: para entender redes neuronales y autograd desde dentro. En CPU va perfectamente hasta el GPT pequeño.
  4. Tutoriales oficiales de PyTorch + el libro de Géron como referencia.
  5. Hugging Face LLM Course y, si apetece, el Agents Course.

Lo que he dejado fuera a propósito: cualquier cosa basada en TensorFlow 1 o Keras 2 (sigue habiendo cursos de Coursera así), los bootcamps de pago que reempaquetan lo anterior, y las listas de “100 recursos” que nadie ha comprobado. Si algún enlace de arriba deja de funcionar o se queda viejo, agradezco el aviso.


¿Comentarios? Esta entrada tiene un hilo en Mastodon: responde allí y la conversación se queda en el fediverso.

Cargando comentarios desde mastodon.social…

Ingrese la dirección de su instancia


Más posts como este