Fundamentos

Fundamentos sostiene los conceptos que hacen más fácil cada rama posterior. Estas notas son agnósticas al modelo: aplican tanto a una regresión logística como a un LLM de frontera, porque ambos son sistemas que aprenden una función a partir de datos y después tienen que comportarse sobre datos que nunca vieron.

Si solo internalizás una cosa acá: machine learning es la disciplina de generalizar desde ejemplos finitos hacia casos no vistos; todo lo demás es detalle al servicio de eso.

Modelo mental

Un sistema que aprende convierte observaciones finitas en comportamiento sobre inputs no vistos. Su contrato central no es ajustar training, sino generalizar bajo supuestos explícitos de datos, loss, inductive bias y distribución de despliegue.

Hoja de ruta: conceptos centrales

• Cómo funciona el aprendizaje: loss, objetivo y ERM
• Generalización, overfitting y el tradeoff sesgo-varianza
• Sesgo inductivo y la idea de no-free-lunch
• Tipos de aprendizaje: supervisado, no supervisado, self-supervised, RL

Datos e incertidumbre

• Splits train/validación/test y data leakage
• La distribución de datos y el distribution shift
• Probabilidad e incertidumbre para ML
• Features, representaciones y la maldición de la dimensionalidad

La matemática que realmente usás

• Intuición de álgebra lineal: el producto punto como similitud
• Gradient descent: cómo aprenden realmente los modelos
• Teoría de la información: entropía, cross-entropy y KL

Juzgar modelos

• Métricas de evaluación y qué esconden

Vista de sistemas

• Modelos mentales para sistemas de AI

Conocer los límites

• Cuándo no usar AI reconoce dónde reglas, humanos o software más simple le ganan a un modelo.

Conecta con: Matemática para IA · Machine Learning Estadístico · Evaluación

Fuentes principales

• 3Blue1Brown — Essence of Linear Algebra y Neural Networks (intuición visual).
• StatQuest (Josh Starmer) — sesgo/varianza, cross-validation, métricas.
• James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning (ISLP).
• Aurélien Géron — Hands-On Machine Learning (3rd ed.).
• Google — Machine Learning Crash Course.
• An Introduction to Statistical Learning — teoría y labs accesibles.
• Understanding Machine Learning — learnability y generalización.
• Google Rules of ML — reglas para sistemas de producción.