Curso de Machine Learning en Colombia: aprende a predecir con Python

Respuesta corta: el curso de Machine Learning de ProgramBI en Colombia es un programa en vivo de 20 horas por Zoom, de 17:30 a 19:30, hora de Colombia, para quienes ya saben Python y quieren crear modelos predictivos aplicados a negocios. Cubre aprendizaje supervisado (regresión, clasificación, árboles, ensembles y validación) y no supervisado (K-Means, PCA, t-SNE, anomalías y reglas de asociación). El valor es $ 299.900 e incluye grabaciones de por vida y certificado.

Según la ficha consultada el 4 de noviembre de 2026, la próxima cohorte tiene cupos abiertos y fecha por confirmar. Se paga en pesos colombianos con Mercado Pago Colombia, PSE o Nequi.

El punto de partida en una empresa colombiana

La ficha del curso para Colombia lo resume bien: el dato suele estar repartido entre el POS, la facturación electrónica de la DIAN y las bases de recaudo. Eso es una ventaja para machine learning. La facturación electrónica deja un registro estructurado de cada venta, y las bases de recaudo dicen quién pagó, cuánto y cuándo. Con esa materia prima se pueden responder preguntas que hoy se contestan a ojo:

• ¿Qué clientes de cartera tienen más probabilidad de pagar tarde este mes?
• ¿Cuánto venderá cada tienda en la próxima temporada?
• ¿Qué tiendas se parecen entre sí y deberían gestionarse igual?
• ¿Qué transacciones del POS se salen de lo normal y merecen revisión?

Este curso te da las técnicas para responderlas con modelos que se pueden validar y explicar.

Contenido del programa

Primer módulo, supervisado. Partes de datos con la respuesta conocida. Aprendes regresión lineal y polinómica para estimar valores, regresión logística y máquinas de soporte vectorial (SVM) para clasificar, y árboles de decisión con métodos ensemble para capturar relaciones más complejas. Cierras con validación cruzada y métricas, que es donde se decide si el modelo sirve.

Segundo módulo, no supervisado. Sin etiqueta previa, buscas estructura. Segmentas con K-Means, reduces dimensiones con PCA y visualizas con t-SNE, detectas anomalías y encuentras reglas de asociación entre productos.

Ejemplo práctico: probabilidad de pago tardío

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

X = cartera[["dias_mora_hist", "monto_factura", "num_facturas_12m", "plazo_dias"]]
y = cartera["pago_tarde"]

X_tr, X_te, y_tr, y_te = train_test_split(X, y, test_size=0.25, stratify=y, random_state=1)
modelo = LogisticRegression(max_iter=1000).fit(X_tr, y_tr)
print(classification_report(y_te, modelo.predict(X_te)))

La regresión logística es un excelente primer modelo: es rápida, se puede explicar variable por variable y da una probabilidad, no solo un sí o un no. Con esa probabilidad, el área de cartera ordena su gestión del mes. En clase se compara contra un árbol y un ensemble para ver si la ganancia en precisión justifica la pérdida de interpretabilidad.

Tres aplicaciones con sabor local

Cartera y recaudo. Es quizá el uso más inmediato. Las empresas que venden a crédito —distribuidoras, mayoristas, servicios— pueden priorizar llamadas y acuerdos de pago con un modelo de riesgo de atraso entrenado con su propia historia de recaudo.

Retail con muchas tiendas. Con ventas por tienda, canal y categoría, un modelo de regresión o de árboles anticipa la demanda y ayuda a planear compras y personal. Segmentar tiendas con K-Means permite fijar metas comparables entre puntos de venta parecidos.

Revisión de transacciones. La detección de anomalías marca ventas, devoluciones o descuentos atípicos en el POS. No acusa a nadie; simplemente le dice a auditoría dónde mirar primero.

¿Cumples el requisito?

El curso es para quienes ya manejan Python. Antes de inscribirte, prueba este mini reto: carga un CSV con pandas, calcula el promedio de ventas por tienda y grafica el resultado. Si lo haces en menos de 15 minutos, estás listo. Si no, empieza por el curso de Python para datos en Colombia.

También ayuda —aunque no es obligatorio— tener nociones básicas de estadística: promedio, desviación estándar y correlación. El curso explica cada técnica desde la intuición, pero llegar con esa base hace que todo fluya mejor.

Errores comunes y cómo evitarlos

1. Dividir mal los datos. Si el problema es temporal, como pronosticar ventas, no se mezclan meses al azar: se entrena con el pasado y se prueba con lo más reciente.
2. Olvidar estandarizar. K-Means y SVM son sensibles a la escala; una variable en millones de pesos aplasta a otra en días.
3. Confundir correlación con causalidad. Que un modelo use una variable no significa que esa variable cause el resultado.
4. No pensar en el uso. Un modelo de cartera que se actualiza una vez al año pierde vigencia; hay que definir cada cuánto se reentrena.

Glosario rápido para no perderte en clase

• Variable objetivo: lo que quieres predecir, por ejemplo "pagó tarde: sí o no".
• Variables predictoras: la información que usas para predecir, como monto, plazo o historial.
• Entrenamiento y prueba: separas los datos para aprender con una parte y evaluar con otra que el modelo no ha visto.
• Sobreajuste: cuando el modelo memoriza en lugar de aprender, y falla con datos nuevos.
• Validación cruzada: repetir la separación varias veces para obtener una evaluación más confiable.
• Ensemble: combinar muchos modelos sencillos, como cientos de árboles, para obtener uno más robusto.
• Clúster: grupo de registros parecidos entre sí, encontrado sin etiqueta previa.
• Componente principal: una variable nueva que resume a varias originales, producto de PCA.

Cómo plantear tu primer proyecto en 5 pasos

1. Define la decisión. Por ejemplo: "cada lunes, cartera decide a qué 200 clientes llamar".
2. Reúne la historia. Al menos doce meses de facturas y pagos, con una fila por factura.
3. Construye un modelo base. Una regresión logística sencilla, para tener un punto de comparación.
4. Mejora y valida. Prueba árboles y ensembles con validación cruzada, y quédate con el que mejore la métrica que importa.
5. Mide el impacto. Compara un mes gestionado con el modelo contra uno gestionado como siempre.

Este esquema sirve igual para pronóstico de ventas o segmentación de tiendas, y es una buena guía para el proyecto con datos reales del curso.

Machine learning y tu carrera en Colombia

En LinkedIn, Computrabajo y elempleo.com, las vacantes de científico de datos, analista de datos senior, analista de riesgo de crédito o analista de inteligencia de negocios suelen pedir Python, y muchas mencionan modelos predictivos o machine learning. Más que un certificado, lo que pesa en una entrevista es mostrar un proyecto: el problema de negocio, cómo limpiaste los datos, qué modelos probaste, qué métrica elegiste y por qué.

Cerrar el ciclo con Power BI

Las predicciones tienen que llegar a quien decide. Un flujo muy usado es guardar los resultados del modelo en una tabla y conectarla a Power BI: el ranking de cartera por riesgo, el pronóstico por tienda o el mapa de segmentos. Para esa parte puedes revisar el curso de Power BI en Colombia o la guía para aprender Power BI en Colombia.

Sobre el horario

La ficha indica clases de 17:30 a 19:30 en Bogotá. Como Colombia se mantiene en UTC-5 todo el año y Chile cambia con el horario de verano, la clase puede verse a las 17:30 o a las 18:30 según la época; la ficha de la cohorte muestra la equivalencia exacta. Si trabajas hasta las 6, conviene confirmar la hora antes de inscribirte, y recordar que todas las sesiones quedan grabadas.

En resumen

• 20 horas, 2 módulos: supervisado y no supervisado.
• En vivo por Zoom, 17:30 a 19:30 hora de Colombia; cupos abiertos, fecha por confirmar.
• Grabaciones de por vida, certificado digital y proyectos con datos reales.
• Instructor: Manuel Oliva, Magíster en Data Science (UAI).
• Valor: $ 299.900, en pesos colombianos.

Formas de pago: los cursos de ProgramBI se pueden pagar en 3 cuotas sin interés, en todos los países.