Machine Learning

Donde Fundamentos contiene los conceptos agnósticos al modelo, esta rama es el toolkit clásico práctico: los algoritmos, el workflow supervisado y los hábitos que deciden si un modelo es confiable. Mucho de esto precede al deep learning; y para datos tabulares todavía gana, llega más rápido a producción y es mucho más fácil de debuggear que una red neuronal.

Regla práctica: probá un árbol con gradient boosting antes que una red neuronal sobre datos tabulares. Empezá simple; ganate la complejidad.

Modelo mental

Machine learning estadístico selecciona una hipótesis desde datos bajo un loss, regularización y protocolo de validación. Representación, leakage, calibración y análisis de errores deciden si el resultado sobrevive al despliegue.

Hoja de ruta: workflow y algoritmos

• El workflow de aprendizaje supervisado, de punta a punta
• Análisis de errores: leer los errores de tu modelo
• Pipelines y prevención de leakage en preprocesamiento

Algoritmos centrales

• Regresión lineal y logística
• Árboles de decisión y ensembles (RF, gradient boosting)
• kNN y SVM: distancia y márgenes
• Clustering y PCA: aprender sin etiquetas

Hacer que los modelos funcionen

• Feature engineering
• Regularización: L1, L2 y cómo difieren
• Cross-validation bien hecha
• Manejar class imbalance
• Tuning de hiperparámetros

Conecta con: Fundamentos del Aprendizaje · Datos para IA · Evaluación

Fuentes principales

• James, Witten, Hastie, Tibshirani — An Introduction to Statistical Learning (ISLP).
• Aurélien Géron — Hands-On Machine Learning (3rd ed.).
• Andrew Ng — Machine Learning Specialization (Coursera).
• scikit-learn — User Guide (la referencia práctica canónica).
• StatQuest — intuición de árboles, boosting y ROC/PR.
• An Introduction to Statistical Learning — teoría y labs reproducibles.
• The Elements of Statistical Learning — tratamiento avanzado.
• scikit-learn User Guide — semántica de implementación.