Python 1001
← Volver a la página principal de la Academia

Curso gratuito · 13 notebooks prácticos · funciona en cualquier portátil

Python 1001

De las estructuras de datos al despliegue de servicios, las extensiones compiladas y la ciencia de nivel investigador. Tres módulos, Inicial, Intermedio y Avanzado, cada uno con notebooks y resultados reales ya ejecutados que puedes leer aquí o ejecutar tú.

Empieza con el notebook 01 → Ver el temario
  • 13notebooks
  • ~17 hde estudio
  • 3niveles
  • 100%código ejecutable

Medido, no prometido

Cada comparación del curso se ejecuta: formatos de archivo cronometrados, picos de memoria medidos por proceso, aceleraciones medidas, modelos evaluados con datos reservados. Cuando una técnica no ayuda, el notebook lo dice.

Del script a producción

Entornos, archivos de bloqueo, Docker, pruebas, registro, empaquetado y publicación: las prácticas que convierten el código que funciona en tu máquina en software que otras personas pueden usar.

Python en la frontera

El módulo Avanzado usa las bibliotecas en las que confían los investigadores, en biología, medicina, física, espacio, economía, IA y previsión, y termina con un reto de Kaggle completo.

Temario

Tres módulos, 13 notebooks. Lee las explicaciones, ejecuta las celdas y prueba los ejercicios al final de cada notebook. Tu progreso se guarda en este navegador.

Módulo 1

Inicial

Estructuras de datos, formatos, datos mayores que la memoria, entornos, contenedores y editores.

01

Estructuras de datos en Python

Listas, tuplas, diccionarios y conjuntos, el módulo collections, funciones, un primer vistazo a las clases, comprensiones, generadores y excepciones, y por qué importa la estructura elegida, medido.

  • list, tuple, dict, set
  • collections
  • funciones
  • generadores
  • excepciones
  • Big-O
⏱ ~60 min💻 se ejecuta en 5 s en una CPU
02

Formatos de datos y pandas

El DataFrame de pandas y después CSV, JSON, Excel, Parquet, Feather, SQLite, YAML, TOML y pickle comparados con los mismos datos: tamaño, velocidad y qué tipos sobreviven.

  • pandas
  • CSV y JSON
  • Parquet
  • SQLite
  • YAML y TOML
  • seguridad de pickle
⏱ ~60 min💻 se ejecuta en 30 s en una CPU
03

Grandes volúmenes de datos con poca RAM

Mide la memoria con honestidad, reduce DataFrames con los tipos adecuados, procesa por bloques, lee de Parquet solo lo necesario, compara pandas con Polars, DuckDB y PyArrow, y escala con PySpark.

  • perfilado de memoria
  • categorías
  • por bloques
  • Polars y DuckDB
  • PyArrow
  • PySpark
⏱ ~75 min💻 se ejecuta en 1 min en una CPU
04

Entornos, paquetes, contenedores y editores

Entornos aislados, pip, uv, pipx, conda, apt y snap, archivos de bloqueo, Docker para desplegar y los editores que usan los profesionales: VS Code, PyCharm, Eclipse, Vim.

  • venv
  • pip y uv
  • conda
  • archivos de bloqueo
  • Docker
  • IDE
⏱ ~60 min💻 se ejecuta en 15 s en una CPU
Módulo 2

Intermedio

Programación orientada a objetos y pythónica, pruebas, concurrencia, y construir, publicar y mantener bibliotecas.

05

Python orientado a objetos

Los cuatro pilares, el modelo de datos y los métodos especiales, propiedades, dataclasses, clases base abstractas y protocolos, composición, el MRO y __slots__.

  • clases
  • métodos dunder
  • propiedades
  • dataclasses
  • Protocol
  • composición
⏱ ~75 min💻 se ejecuta en 5 s en una CPU
06

Técnicas pythónicas

Iteradores, decoradores, gestores de contexto, herramientas funcionales, anotaciones de tipo, logging, pruebas con pytest, e hilos frente a procesos frente a asyncio, medido.

  • generadores
  • decoradores
  • gestores de contexto
  • tipado
  • pytest
  • concurrencia
⏱ ~90 min💻 se ejecuta en 10 s en una CPU
07

Bibliotecas: acelerar, empaquetar, publicar, contribuir

Acelera bucles críticos con NumPy, Numba, Cython y C, construye un wheel a partir de pyproject.toml, publica con trusted publishing, versiona sin romper a los usuarios y contribuye a otros proyectos.

  • Numba
  • Cython
  • extensiones en C
  • pyproject.toml
  • PyPI
  • SemVer y obsolescencia
⏱ ~90 min💻 se ejecuta en 1 min en una CPU
Módulo 3

Avanzado

Python en la frontera: biología, medicina, física, espacio, economía, frameworks de IA, previsión de series temporales y un proyecto final de Kaggle.

08

Ciencias de la vida: biología y medicina

Secuencias, evolución simulada y un árbol genealógico reconstruido con Biopython, análisis de supervivencia de un ensayo de cáncer de mama con lifelines y un modelo de diagnóstico ajustado a la sensibilidad.

  • Biopython
  • alineamiento
  • filogenia
  • Kaplan-Meier
  • regresión de Cox
  • ROC
⏱ ~75 min💻 se ejecuta en 20 s en una CPU
09

Física e investigación espacial

Deduce un péndulo con SymPy, simúlalo con SciPy, encuentra su frecuencia con una FFT, verifica la tercera ley de Kepler con Astropy e integra una órbita comprobada con leyes de conservación.

  • SymPy
  • EDO con SciPy
  • FFT
  • unidades con Astropy
  • Kepler
  • órbitas
⏱ ~75 min💻 se ejecuta en 20 s en una CPU
10

Economía y econometría

Cincuenta años de datos de EE. UU. con statsmodels: la ley de Okun con errores estándar robustos, su estabilidad por décadas y una previsión ARIMA contrastada frente a referencias ingenuas.

  • statsmodels
  • MCO y HAC
  • ley de Okun
  • ARIMA
  • backtesting
⏱ ~60 min💻 se ejecuta en 40 s en una CPU
11

Frameworks de IA: PyTorch y TensorFlow

La misma red convolucional en PyTorch y en TensorFlow/Keras: tensores, diferenciación automática, bucles de entrenamiento, guardar y exportar, y cómo elegir.

  • PyTorch
  • TensorFlow
  • Keras
  • autograd
  • CNN
  • ONNX
⏱ ~60 min💻 se ejecuta en 30 s en una CPU
12

Previsión de series temporales

Ingenuo estacional, SARIMA, Prophet, XGBoost, una GRU en PyTorch, una LSTM en Keras y un Transformer en dos problemas: demanda de bicicletas, donde gana el gradient boosting, y caudal de un río, donde ganan las redes neuronales, y por qué.

  • ingenuo estacional
  • SARIMA
  • Prophet
  • XGBoost
  • GRU y LSTM
  • Transformer
⏱ ~120 min💻 se ejecuta en 25 min en una CPU
13

Proyecto final: resolver un reto de Kaggle

El reto House Prices de Kaggle de principio a fin: licencias, la métrica RMSE logarítmica, exploración, ingeniería de variables en un Pipeline, validación cruzada, mezcla de modelos y un archivo de envío.

  • Kaggle
  • licencias de datos
  • ingeniería de variables
  • Pipeline
  • validación cruzada
  • mezcla de modelos
⏱ ~120 min💻 se ejecuta en 1 min en una CPU

Ejecútalo tú

Cada página de lección muestra el notebook con sus resultados guardados, así que todo el curso se puede leer en el navegador. Para experimentar, descarga un notebook o ábrelo en Google Colab desde la página de la lección, o clona el repositorio y ejecútalo todo en local (el notebook 04 explica cada paso):

git clone https://github.com/fborbon/academy.git
cd academy/python/es
python3 -m venv .venv && source .venv/bin/activate
pip install -r ../requirements.txt --extra-index-url https://download.pytorch.org/whl/cpu
jupyter lab

Qué necesitas

  • Python: para el módulo Inicial basta con haber escrito alguna línea de código; cada módulo se apoya en el anterior.
  • Matemáticas: nivel de secundaria. Los notebooks avanzados explican la ciencia que usan sobre la marcha.
  • Equipo: cualquier portátil de la última década. Todos los notebooks se ejecutan en una CPU en minutos; dos notebooks descargan una vez un conjunto de datos pequeño. La sección de PySpark del notebook 03 necesita Java 17 o posterior.

Datos y créditos

  • La mayoría de los datos se generan en los notebooks o vienen con las bibliotecas (scikit-learn, statsmodels, lifelines).
  • Datos de Ames Housing: De Cock, D. (2011), Journal of Statistics Education 19(3), vía OpenML (pública).
  • Ensayo de cáncer de mama GBSG2: Schumacher et al. (1994), Journal of Clinical Oncology, tal como lo distribuye lifelines.
  • Datos macroeconómicos de EE. UU.: tal como los distribuye statsmodels (macrodata).
  • Datos de Bike Sharing: Fanaee-T, H. y Gama, J. (2013), Progress in Artificial Intelligence, repositorio UCI (CC BY 4.0), vía OpenML.
  • Elementos orbitales de los planetas: valores publicados estándar (fichas planetarias de la NASA).