Hoja de ruta de Python: un itinerario de 12 meses

La claridad, versatilidad y el amplio ecosistema de Python lo han consolidado como un lenguaje fundamental en la programación moderna. Si quieres iniciar una carrera en ciencia de datos, desarrollo web, automatización o aprendizaje automático, contar con una hoja de ruta clara es clave para convertir la curiosidad en experiencia. Con tantos recursos y caminos posibles, es fácil sentirse abrumado o no saber por dónde empezar.

Esta hoja de ruta de Python en 12 meses aporta estructura y foco a tu aprendizaje, guiándote paso a paso desde los fundamentos hasta técnicas avanzadas y especializaciones. Sabrás no solo qué aprender, sino también cuándo y por qué, lo que te permitirá crear proyectos reales, cumplir con los estándares del sector y evolucionar junto con Python. Si buscas una guía detallada sobre cómo aprender Python, no te pierdas nuestra guía específica.

Resumen: hitos de la hoja de ruta de Python

• Meses 1–2: Sintaxis básica, estructuras de datos, funciones, Git/GitHub.
• Meses 3–4: POO, algoritmos básicos, tipado estático, pruebas introductorias.
• Meses 5–6: Empaquetado, pruebas avanzadas, bases de datos/SQL, herramientas de rendimiento.
• Meses 7–8: Especialízate — web (Django/Flask/FastAPI), datos/ML (pandas/scikit-learn) o automatización (Selenium/API).
• Meses 9–10: Concurrencia/async, pulido del porfolio, comunidad, certificaciones.
• Meses 11–12: Despliegue profesional (Docker/nube), especialización avanzada, estrategias de aprendizaje continuo.

Meses 1–2: competencia fundamental en Python

Tu camino con Python empieza construyendo una base sólida, priorizando la práctica sobre memorizar sintaxis. Al final de esta fase inicial, tendrás la confianza para escribir, depurar y gestionar scripts y pequeños proyectos por tu cuenta.

Sintaxis básica y lógica computacional

Empieza entendiendo cómo “piensa” y se comporta Python. Céntrate en:

• Declaración de variables y tipos de datos: enteros, flotantes, cadenas y booleanos.
• Lógica condicional (if, elif y else) para la toma de decisiones.
• Bucles (for y while) para automatizar tareas repetitivas.

No te limites a leer: programa activamente. Escribe scripts pequeños, como un juego de adivinar números o una calculadora, para interiorizar bien estos conceptos.

Estructuras de datos y operaciones básicas

Python destaca en el manejo eficiente de datos. Domina pronto estas estructuras clave:

• Listas: colecciones ordenadas y flexibles.
• Tuplas: secuencias inmutables para datos fijos.
• Conjuntos (sets): ideales para trabajar con elementos únicos.
• Diccionarios: pares clave-valor para recuperar datos de forma eficiente.

Practica operaciones comunes como añadir, eliminar, ordenar y filtrar datos. Trabaja con casos reales, como una gestión sencilla de inventario o tareas de categorización. Utiliza manejo básico de errores (try-except) para gestionar excepciones con elegancia.

Funciones y diseño modular

Organizar tu código en funciones reutilizables es clave para mantenerlo:

• Aprende a definir e invocar funciones, pasar argumentos y gestionar valores de retorno.
• Experimenta con utilidades integradas de Python (map(), filter(), comprensiones de listas) para transformaciones concisas.
• Crea proyectos sencillos (una calculadora o una lista de tareas) dividiendo tareas complejas en módulos manejables.

Flujo de trabajo esencial: Git y GitHub

El control de versiones no es opcional; es un básico del desarrollo moderno. Para el mes 2, aprende a:

• Inicializar repositorios, seguir cambios y confirmar tus avances (commits).
• Entender el branching básico (main, feature) y los flujos de fusión.
• Publicar tus primeros proyectos en GitHub para mostrar tu progreso y colaborar con facilidad.

Familiarizarte con Git desde el principio te simplifica el aprendizaje futuro y te posiciona como profesional desde el día uno.

Para quienes se enfocan en datos

Si tu objetivo a largo plazo es el análisis de datos o el aprendizaje automático, considera explorar estas bibliotecas antes de terminar el mes 2:

• NumPy: empezando con arrays y operaciones vectorizadas básicas.
• pandas: cargar, limpiar y explorar conjuntos de datos sencillos como CSV.
• Matplotlib: crear tus primeros gráficos de líneas, barras o histogramas.

Cuando domines bucles, funciones y diccionarios, trabajar con un conjunto de datos real (aunque sea pequeño) te dará un plus de confianza y hará que Python te resulte inmediatamente útil.

Meses 1–2: recursos destacados

• Introduction to Python Course: introducción interactiva a variables, tipos básicos, lógica condicional y bucles.
• Python Programming Fundamentals skill track: desarrolla tus habilidades de programación en Python. Aprende a crear variables, trabajar con distintos tipos de datos e implementar lógica personalizada.
• Python Fundamentals for Data Analysts skill track: aprende lo básico de Python para iniciar tu camino en analítica de datos, incluyendo cómo limpiar datos reales listos para el análisis.
• Intermediate Python course: profundiza en la sintaxis con más ejercicios de control de flujo e introduce los DataFrames de pandas para una manipulación ligera de datos. Es un puente fluido entre scripts básicos y pequeños proyectos.
• Introduction to Git Course: recorrido práctico por la inicialización de repos, commits y reversión de errores: justo lo que conviene dominar antes del mes 2.
• Python Cheat Sheet for Beginners: una chuleta que sirve de guía para personas principiantes e intermedias.
• Investigating Netflix Movies Data Science Project: explora datos de películas de Netflix y realiza un análisis exploratorio para descubrir insights sobre películas de una década concreta.
• Introduction to NumPy Course: conoce NumPy, el paquete de ciencia de datos más popular de Python. En cuatro horas, crearás, ordenarás, filtrarás y actualizarás arrays usando el censo de árboles de la ciudad de Nueva York.
• Data Manipulation with pandas Course: aprende a manipular DataFrames mientras extraes, filtras y transformas datos reales para su análisis.
• Introduction to Plotting with Matplotlib in Python Tutoiral: aprende a usar Matplotlib, una potente biblioteca de visualización en Python, para crear gráficos de líneas, barras y dispersión con datos bursátiles.

Meses 3–4: técnicas de desarrollo intermedio

Una vez interiorizados los básicos, es hora de avanzar con habilidades de nivel intermedio. Empezarás a diseñar código estructurado y mantenible, reforzando tu base con prácticas críticas de desarrollo y pensamiento algorítmico. Esta fase te prepara para colaborar en equipo y sienta las bases de temas más avanzados.

Programación orientada a objetos (POO)

La POO te permite escribir código modular y escalable. Empieza dominando:

• Definir clases y crear objetos para agrupar datos y comportamientos relacionados.
• Principios clave de POO: encapsulación, herencia y polimorfismo para una mejor organización.
• Métodos especiales (dunder como __init__ y __str__) para clases intuitivas y autoexplicativas.
• Decoradores básicos como @staticmethod y @classmethod.

Practica diseñando clases para escenarios cotidianos, como una tienda online o transacciones bancarias, para interiorizar estos principios de forma natural.

Pensamiento algorítmico y eficiencia

La eficiencia importa, especialmente a medida que tus proyectos crecen. Desarrolla una comprensión práctica de los fundamentos algorítmicos aprendiendo:

• Conceptos básicos de notación Big-O para analizar la complejidad temporal y espacial de tu código.
• Algoritmos fundamentales: búsqueda lineal, binaria y técnicas de ordenación básicas (burbuja, inserción, mergesort).
• Ejercicios prácticos para comparar rendimientos y entender su impacto real.

Tipado estático e interfaces limpias

El tipado estático, aunque opcional, mejora mucho la legibilidad y el mantenimiento:

• Comprende las anotaciones de tipos de la PEP 484 y las ventajas de interfaces fuertemente tipadas.
• Adopta herramientas como mypy o linters modernos (Ruff) para verificar código de forma proactiva.
• Anota claramente funciones y clases: te ahorrará tiempo cuando tu base de código crezca.

Pruebas básicas: assert y fundamentos de Pytest

El código fiable requiere pruebas. Empieza a crear buenos hábitos sin complicarte:

• Usa aserciones simples para validar la lógica central.
• Comienza con lo básico de pytest: descubrimiento automático de tests, convenciones de nombres y tus primeras pruebas.
• Entiende el valor de las pruebas automatizadas para cazar bugs pronto.

Deja para más adelante técnicas avanzadas como fixtures y mocks; llegarán de forma natural cuando tus proyectos ganen complejidad.

Meses 3–4: recursos destacados

• Intermediate Object-Oriented Programming in Python Course: va más allá de lo básico con herencia multinivel, sobrecarga de operadores, métodos dunder y type hints integrados. Perfecto para el tramo “encapsulación → polimorfismo”.
• Data Structures and Algorithms Course: cubre listas enlazadas, pilas/colas, DFS/BFS, y compara complejidades de bubble vs. merge/quick sort para medir la velocidad del código.
• Writing Efficient Python Code Course: enseña timeit, perfiles de línea/memoria y patrones vectorizados que reducen tiempos de ejecución; ideal tras los temas de algoritmos.
• Type Checking in Python Tutorial: guía rápida y práctica sobre anotaciones PEP 484, ejecución de mypy y detección temprana de errores. Gran puente hacia Ruff u otros linters.
• Introduction to Testing in Python Course: repasa aserciones, descubrimiento con pytest y estructura básica de tests para que puedas escribir código fiable desde ya.
• Building a Retail Inventory Management System Project: diseña clases para stock, pedidos y entregas, como en el ejemplo de “tienda online”. Termina con una app de línea de comandos que podrás enseñar.

Meses 5–6: prácticas avanzadas y gestión de datos

En los meses 5–6, elevarás tu nivel enfocándote en prácticas profesionales: empaquetar código para compartir y reutilizar, gestionar entornos de proyecto con eficacia y trabajar con bases de datos con seguridad. También reforzarás tus capacidades de prueba, haciendo tus aplicaciones más robustas y mantenibles.

Empaquetado, distribución y gestión de entornos

Escribir buen código es solo la mitad: compartirlo también importa. En esta etapa:

• Domina el ecosistema moderno de empaquetado con pyproject.toml y herramientas como build, Hatch o Poetry.
• Comprende el versionado semántico, la gestión de dependencias y la publicación en PyPI.
• Gestiona entornos virtuales con seguridad para aislar y reproducir dependencias en distintas máquinas.

Ponlo en práctica creando y distribuyendo pequeñas librerías o utilidades: experiencia directa alineada con flujos de trabajo reales.

Pruebas avanzadas: fixtures, parametrización y mocking

A medida que el código crece, las pruebas básicas no bastan. Aprende técnicas avanzadas para escalar la fiabilidad:

• Fixtures de pytest para gestionar preparaciones comunes y mejorar legibilidad y mantenimiento.
• Parametrización para probar múltiples entradas y salidas sin duplicar código.
• Mocking para aislar componentes y probarlos de forma independiente.

Pondrás en juego estas habilidades con miniproyectos, como probar una librería que interactúa con APIs, preparando el terreno para escenarios complejos del mundo real.

Fundamentos de bases de datos e integración con SQL

Casi todo proyecto en Python interactúa con almacenamiento de datos. En esta fase adquirirás habilidades fundamentales:

• Conceptos clave de SQL: consultas (SELECT), modificaciones (INSERT, UPDATE, DELETE) y joins.
• Integra Python con bases de datos relacionales usando SQLite (incluida), SQLAlchemy (ORM) o conectores como psycopg2 para PostgreSQL.
• Diseña esquemas eficientes y ejecuta operaciones comunes de forma programática desde Python.

Consolida con una aplicación con base de datos: un gestor de inventario sencillo o un panel de finanzas personales.

Rendimiento: perfiles y depuración

Antes de entrar en concurrencia más adelante, acostúmbrate a medir y optimizar tu código:

• Usa herramientas de perfilado (cProfile, line_profiler) para identificar cuellos de botella.
• Comprende la gestión básica de memoria con herramientas como tracemalloc.
• Haz benchmarks de rutas críticas con timeit.

Estas técnicas te ayudan a escribir código eficiente desde el principio, ahorrando esfuerzo cuando la complejidad aumente.

Meses 5–6: recursos destacados

• Developing Python Packages Course: guía práctica de scaffolding, pyproject.toml, versionado semántico, setuptools + twine y todo el flujo de publicación en PyPI, para que realmente publiques tu librería.
• Python Poetry: Modern And Efficient Python Environment And Dependency Management Tutorial: guía paso a paso para crear entornos bloqueados, añadir dependencias y publicar con poetry build && poetry publish. Práctica perfecta para montajes aislados y reproducibles.
• pytest-mock Tutorial: A Beginner’s Guide to Mocking in Python: amplía las aserciones básicas con fixtures reutilizables, tests parametrizados y la fixture mocker para aislar llamadas a API/base de datos.
• Introduction to Databases in Python Course: aprende consultas SQL básicas y da el salto a SQLAlchemy para definir esquemas, hacer joins y escribir datos a SQLite/MySQL/PostgreSQL desde Python.
• Discover SQLAlchemy: A Beginner Tutorial With Examples: artículo que refuerza el curso con patrones concretos para crear engines, reflejar tablas y realizar operaciones CRUD.
• Performing a Code Review Project: revisa y mejora un proyecto con lógica para ingerir, limpiar y visualizar datos de smartphones siguiendo PEP-8, principios DRY, legibilidad y documentación.

Meses 7–8: profundiza en tu especialización

Con las bases y el nivel intermedio consolidados, a partir de los meses 7–8 es momento de profundizar. Conviene elegir una especialización alineada con tus intereses u objetivos profesionales. Enfocarte ahora te ayuda a ganar soltura “lista para el trabajo” y a crear un proyecto sólido para tu porfolio. En el resto de la hoja de ruta verás ejemplos para cada camino.

Especialización en ciencia de datos y aprendizaje automático

Si te atrae el análisis, el modelado y la IA, sumérgete en:

• Manipulación de datos con pandas para limpiar, transformar y analizar datos reales.
• Técnicas de visualización con Matplotlib o Seaborn para comunicar insights con eficacia.
• Flujos de trabajo de machine learning con scikit-learn: desde el preprocesado hasta la evaluación y optimización de modelos.
• Deep learning con PyTorch o TensorFlow para retos más complejos y redes neuronales.

Completa un proyecto bien estructurado (p. ej., analítica predictiva, análisis de sentimiento o forecasting), documentando claramente tu metodología y conclusiones.

Especialización en desarrollo web

Si te motiva crear aplicaciones web o APIs, profundiza en:

• Django: framework robusto full‑stack con autenticación integrada, panel de admin y un ORM potente.
• Flask: ligero y flexible, ideal para APIs y microservicios con mayor control explícito.
• FastAPI: moderno y eficiente, idóneo para APIs asíncronas y servicios de alto rendimiento.

Crea un proyecto web con sentido: un blog personal, un e‑commerce o una API REST que integre bases de datos y servicios externos. Da prioridad a la documentación, la estructura del código y el despliegue.

Especialización en automatización (scripting e integraciones)

Si te interesa agilizar procesos y ganar eficiencia, céntrate en scripting y tareas de automatización:

• Domina bibliotecas como Selenium (automatización web), Requests (integración con APIs) y planificadores como Airflow o automatización basada en cron.
• Integra APIs externas para mejorar flujos de trabajo: sincronizar datos entre plataformas o automatizar informes.
• Usa herramientas de configuración (PyYAML, manejo de JSON) para automatizar configuraciones y despliegues.

Desarrolla un proyecto integral de automatización (p. ej., una herramienta de sincronización de datos o un panel de workflows), priorizando claridad, reutilización y utilidad real.

Meses 7–8: recursos destacados

• Machine Learning Scientist in Python Career Track: descubre el machine learning con Python y trabaja para convertirte en ML scientist. Explora aprendizaje supervisado, no supervisado y deep learning.
• Associate Data Scientist in Python Career Track: aprende ciencia de datos en Python, desde la manipulación hasta el machine learning.
• Python Data Associate Certification: demuestra que tus habilidades en Python están listas para el mundo real. Acredita tu capacidad para gestionar datos y responder preguntas de análisis comunes.
• Django Tutorial: Python Web Development: guía concisa y práctica para poner en marcha models, views, templates, panel de admin y autenticación integrada.
• Introduction to FastAPI Course: recorre endpoints async, validación con Pydantic y pruebas; terminarás publicando una API REST completamente funcional.
• Introduction to APIs in Python Course: práctica con requests, flujos de autenticación y creación de bots sencillos — perfecto antes de orquestar automatizaciones mayores.
• Facial Recognition with Supervised Learning Project: proyecto guiado que construye un pipeline de scikit-learn de extremo a extremo con un dataset real de imágenes.

Meses 9–10: técnicas avanzadas y preparación profesional

En esta fase alcanzarás un nivel avanzado. Afinarás habilidades técnicas, abordarás la concurrencia si tu especialización lo requiere y transformarás tus proyectos en una narrativa coherente de porfolio. También trabajarás habilidades transversales clave para posicionarte como un profesional listo para nuevas oportunidades.

Concurrencia y programación asíncrona

La concurrencia mejora la respuesta y la escalabilidad de tus aplicaciones. Según tu especialización, profundiza así:

• Ciencia de datos y ML: usa multiprocesamiento o ejecución concurrente para transformaciones intensivas, ajuste de hiperparámetros o procesamiento en paralelo de grandes datasets.
• Desarrollo web: implementa endpoints asíncronos en FastAPI o Django Channels para apps en tiempo real como chats o paneles con streaming.
• Automatización: utiliza asyncio para gestionar en paralelo peticiones a APIs, scraping o tareas programadas con cargas elevadas.

Distingue claramente threading vs. multiprocesamiento identificando tareas I/O‑bound vs. CPU‑bound, y construye soluciones escalables con capacidades asíncronas de Python.

Pulido del porfolio

Convierte tus proyectos en una narrativa coherente y convincente:

• Análisis de datos y ML: presenta notebooks, paneles o modelos desplegados que destaquen decisiones basadas en datos e impacto de negocio.
• Desarrollo web: despliega una aplicación completa con documentación clara, una UX/UI cuidada e integración de CI/CD.
• Automatización: muestra scripts y herramientas de utilidad práctica: un panel de workflows automatizados, un servicio de integración con APIs o una herramienta de sincronización de datos.

Mantén tu perfil de GitHub ordenado, con READMEs informativos y documentación consistente. Crea además artículos o posts cortos explicando metodología, decisiones técnicas y aprendizajes clave.

Habilidades blandas, comunidad y contribución open source

La comunicación efectiva, la colaboración y la implicación en comunidad impulsan tu perfil profesional:

• Participa en comunidades open source: contribuye código, envía mejoras o toma parte en Python Enhancement Proposals (PEPs).
• Practica revisiones de código y feedback constructivo en entornos colaborativos para afinar el trabajo en equipo.
• Asiste a meetups de Python, webinars, conferencias o eventos locales para ampliar red y seguir tendencias.

Hoja de ruta profesional y certificación

Alinea claramente tus habilidades y proyectos con oportunidades de carrera:

• Evalúa tu nivel con matrices de habilidades del sector (Principiante → Intermedio → Avanzado → Experto).
• Identifica certificaciones relevantes como AWS Machine Learning Specialty, TensorFlow Developer Certificate, Certified Associate Python Developer o credenciales de proveedor alineadas con tu especialización.
• Apunta a roles alineados con tu camino —Python Developer, Data Analyst, Machine Learning Engineer o Automation Engineer— adaptando porfolio y discurso al mercado.

Meses 9–10: recursos destacados

• Python Multiprocessing: A Guide to Threads and Processes: contrasta el threading limitado por el GIL con la ejecución multiproceso real, con benchmarks y patrones claros para elegir bien.
• Asyncio Tutorial For Beginners: recorre async/await, event loop y diseño de corrutinas; ideal para agregadores de APIs concurrentes o automatizaciones de alto rendimiento.
• Parallel Programming with Dask in Python Course: reparte cargas entre núcleos y clústeres midiendo mejoras, reforzando el hábito de “perfilar y luego optimizar”.
• Build Your Portfolio By Contributing to Open Source Webinar: guía práctica para encontrar “good first issues”, enviar PRs y lucir contribuciones en entrevistas.
• The 8 Best Python Certifications For All Levels in 2025: compara certificaciones (AWS ML, PCPP, DataCamp Associate, TensorFlow Developer, etc.) para alinear tus nuevas habilidades con credenciales sólidas.
• Efficient AI with PyTorch Project: construye y optimiza una CNN aprendiendo compresión de modelos y perfilado de rendimiento — ideal para demostrar que sabes escalar DL con cabeza.

Meses 11–12: despliegue avanzado y preparación profesional

En esta etapa consolidarás tu dominio de Python y tu preparación práctica profundizando en tu especialización. El objetivo es prepararte para roles profesionales dominando técnicas de despliegue, estrategias de aprendizaje continuo y buenas prácticas reconocidas por la industria.

Profundización por especialización

Adapta tu aprendizaje al nivel profesional según tu especialización:

• Análisis de datos y machine learning:
• Profundiza en bibliotecas y frameworks especializados: técnicas avanzadas de pandas, herramientas de visualización y frameworks potentes (TensorFlow, PyTorch).
• Domina el despliegue de modelos con AWS SageMaker, Azure ML o Google AI Platform.
• Comprende monitorización de modelos, retraining y fundamentos de MLOps.
• Desarrollo web:
• Domina Docker y la contenerización para empaquetar y desplegar apps con consistencia.
• Establece pipelines de integración y despliegue continuos (CI/CD) con GitHub Actions, GitLab CI o Jenkins.
• Despliega en plataformas en la nube (AWS, Heroku, Render) y entiende lo básico de la infraestructura.
• Automatización:
• Perfecciona scripting y automatización construyendo flujos complejos con planificación (Airflow, Prefect), orquestación de tareas y manejo robusto de errores.
• Aprende integración y autenticación avanzadas con APIs (OAuth2, JWT).
• Despliega soluciones de automatización con Docker y orquestación de contenedores para garantizar fiabilidad y mantenimiento.

Profundización opcional en DevOps e ingeniería

Si apuntas a roles de ingeniería de software o DevOps, considera:

• Exploración en profundidad de gestión de infraestructura en la nube (AWS, Azure, Google Cloud).
• Orquestación avanzada de contenedores con Kubernetes.
• Pipelines CI/CD completos para apps complejas: pruebas, escaneo de seguridad y despliegue automatizado.

Aprendizaje continuo y mejora del porfolio

• Revisa y actualiza tus proyectos con regularidad para alinearlos con estándares y tendencias actuales.
• Sigue formándote con certificaciones específicas, como AWS, Certified Kubernetes Administrator (CKA) o certificaciones de Python del sector.
• Mantente activo en comunidades, blogs, pódcasts y publicaciones técnicas para que tus habilidades sigan al día y competitivas.

Si afinas tu preparación estratégicamente en estos últimos meses, saldrás listo para roles profesionales y para seguir creciendo como especialista avanzado en Python.

Meses 11–12: recursos destacados

• MLOps Fundamentals Skill Track: cubre conceptos de MLOps, despliegue y ciclo de vida, MLOps totalmente automatizado y desarrollo de modelos de ML.
• Working with APIs in Python Code-Along: autentica, pagina y automatiza extracciones de datos, con patrones de scripting listos para producción (de ETL a bots de Slack).
• Introduction to TensorFlow in Python Course: más allá de scikit-learn: redes neuronales, batching y flujos listos para GPU — ideal si tu siguiente objetivo es una certificación de deep learning o una pieza de porfolio.
• Introduction to Docker Course: cubre el motor de Docker, CLI, Dockerfiles, endurecimiento de imágenes y orquestación básica para empaquetar cualquier app Python de forma reproducible.
• Introduction to Kubernetes Course: aprende los fundamentos de Kubernetes y despliega y orquesta contenedores con Manifests y kubectl.
• CI/CD for Machine Learning Course: construye pipelines completos con GitHub Actions, usa DVC para versionado de datos y automatiza “train → test → deploy”, el núcleo del CI/CD moderno.
• AWS Concepts Course: introduce economía en la nube, servicios core de AWS y modelos de despliegue habituales, dándote el vocabulario y la práctica antes de llevar una app contenerizada a producción.

Conclusión

Aprender Python puede parecer abrumador, pero con una hoja de ruta estructurada se vuelve manejable, motivador y práctico. Esta planificación de 12 meses te marca hitos claros, habilidades esenciales y orientación alineada con necesidades reales. Siguiéndola, no solo aprenderás Python con eficacia: también construirás proyectos y competencias que las empresas más valoran.

Pero recuerda: la hoja de ruta es solo el comienzo. El dominio real llega con curiosidad, práctica y aprendizaje continuo. Así que elige tu camino, sé constante y ponte manos a la obra. Tu viaje hacia la competencia en Python empieza hoy. Empieza con Python Programming Fundamentals o Python Fundamentals for Data Analysis.