Curso de Machine Learning para Ingeniería de Software

Aprende Machine Learning de forma práctica: desde los fundamentos matemáticos hasta orquestar y desplegar modelos en producción con MLflow, Prefect, FastAPI y Docker.

---

Información del Curso

• Nivel: Básico a intermedio
• Duración: 8 módulos
• Requisitos: Conocimientos básicos de Python y línea de comandos
• Herramientas: Python 3.13, uv, scikit-learn, XGBoost, MLflow, Prefect, FastAPI, Docker

---

Configuración del Entorno (paso a paso)

1. Instalar uv

uv es un gestor de paquetes y entornos virtuales ultrarrápido para Python. Con él podemos instalar versiones de Python, crear entornos virtuales e instalar dependencias, todo desde una sola herramienta.

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows (PowerShell)
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

Cierra y abre tu terminal después de instalar para que el comando uv esté disponible.

2. Clonar el repositorio

git clone <url-del-repositorio>
cd machine-learning-zoomcamp

3. Instalar Python 3.13 con uv

No necesitas instalar Python por tu cuenta. uv puede descargar y gestionar versiones de Python directamente:

uv python install 3.13

Puedes verificar que se instaló correctamente:

uv python list

4. Crear el entorno virtual e instalar dependencias

uv sync --python 3.13

Esto hace tres cosas a la vez:

• Crea un entorno virtual (.venv/) con Python 3.13
• Lee las dependencias del pyproject.toml
• Instala todos los paquetes necesarios

5. Verificar la instalación

uv run python --version
# Debería mostrar: Python 3.13.x

6. Iniciar Jupyter

uv run jupyter notebook

Nota: Usamos uv run para ejecutar comandos dentro del entorno virtual sin necesidad de activarlo manualmente. Si prefieres activarlo:

# macOS / Linux
source .venv/bin/activate

# Windows
.venv\Scripts\activate

---

Contenido del Curso

Módulo	Carpeta	Descripción
00	Gestión de Entornos	uv, entornos virtuales, gestión de dependencias
01	Introducción al ML	Qué es ML, tipos de aprendizaje, CRISP-DM
02	Python para ML	NumPy, Pandas, análisis exploratorio, álgebra lineal
03	Regresión	Regresión lineal, RMSE, regularización, validación
04	Clasificación	Regresión logística, importancia de features, encoding
05	Evaluación de Modelos	Precision, recall, ROC-AUC, validación cruzada
06	Experiment Tracking	MLflow: tracking de experimentos, model registry
07	Orquestación	Prefect: pipelines, flows, tasks, scheduling
08	Despliegue	Serialización, FastAPI, Docker, batch deploy, AWS
—	Proyecto Integrador	Proyecto end-to-end: datos → modelo → API → Docker

---

Módulo 08 — Despliegue en detalle

El módulo de despliegue incluye cuatro proyectos prácticos en modulo-08-despliegue/deploy/:

Proyecto	Descripción
intro-dockers/	App FastAPI con gatitos — introducción a Docker y HTTP
web-service/	API REST de predicción de duración de viajes NYC Taxi
batch-deploy/	Pipeline batch con Prefect: predicciones programadas cada hora
web-service-aws/	Despliegue del servicio en AWS EC2

---

Estructura del Proyecto

Cada módulo contiene:

• README.md — Objetivos y mapa del módulo
• Lecciones (.md) — Explicaciones teóricas con ejemplos de código
• notebook.ipynb — Práctica guiada en Jupyter
• ejercicios.md — Ejercicios para reforzar lo aprendido

---

Proyecto Integrador

El curso culmina con un proyecto donde aplicarás todo lo aprendido:

1. Elegir un problema y dataset
2. Análisis exploratorio y preparación de datos
3. Entrenar y evaluar modelos (con MLflow)
4. Orquestar el pipeline (con Prefect)
5. Crear una API con FastAPI
6. Contenerizar con Docker

---

Tecnologías

Herramienta	Uso
uv	Gestión de entorno y dependencias
NumPy / Pandas	Manipulación de datos
scikit-learn	Modelos de ML
XGBoost	Gradient boosting
Matplotlib / Seaborn / Plotly	Visualización
MLflow	Experiment tracking y model registry
Prefect	Orquestación de pipelines
Optuna	Optimización de hiperparámetros
FastAPI	API REST para servir modelos
Docker	Contenerización y despliegue
AWS EC2	Despliegue en nube