⌘K
ENES
GitHub
phase~1 min de lecturaActualizado 2026-07-19#phase#foundations

Fase 01 Fundamentos

Los fundamentos definen qué puede representar, inferir, optimizar y verificar un sistema. Incluyen objetos matemáticos, cómputo ejecutable, razonamiento explícito, supuestos estadísticos y el proceso generador de datos.

Modelo mental

Representación define qué se puede expresar; probabilidad y datos definen incertidumbre; objetivos definen preferencia; cómputo y algoritmos determinan qué puede resolverse.

Hoja de ruta

Conecta con: Fase 00 — Orientación · Fase 02 — Aprendizaje y Modelos

Fuentes principales

Notas relacionadas

Fundamentos del AprendizajeMétricas de evaluación y qué escondenAccuracy miente en datos desbalanceados. Precision, recall, F1, ROC-AUC: qué mide cada una y cómo elegir la métrica que coincide con el costo de equivocarse.Fundamentos del AprendizajeFeatures, representaciones y la maldición de la dimensionalidadLos modelos no ven el mundo: ven features. Cómo la calidad de la representación decide todo y por qué las dimensiones altas son raras.Fundamentos del AprendizajeGeneralización, overfitting y el tradeoff sesgo-varianzaUn modelo solo sirve si funciona sobre datos que nunca vio. Overfitting, underfitting y el tradeoff que gobierna ambos.Fundamentos del AprendizajeCómo funciona el aprendizaje: loss, objetivo y ERMTodo modelo que "aprende" está minimizando una función de pérdida sobre datos. Entendé ese loop y la mayor parte de ML deja de parecer magia.