Saltar al contenido
Datos organizados que alimentan un modelo y producen predicciones evaluadas.
Un recorrido deCarlos CortezVer trayectoria

Preparar · Entrenar · Evaluar

Machine Learning: de los datos a una predicción comprobable

Preparar datos, entrenar modelos y evaluar resultados con Python, distinguiendo un buen experimento de una conclusión que todavía necesita evidencia.

Un modelo aprende de los ejemplos que recibe. El recorrido comienza en la calidad de los datos y llega a resultados que se contrastan con una referencia y un problema concreto.

Un propósito por paso

Qué trabajaremos.

  • Identificar un problema y los datos que necesita.
  • Limpiar y preparar información sin mezclar entrenamiento y evaluación.
  • Distinguir aprendizaje supervisado y no supervisado.
  • Comparar modelos con métricas, límites y evidencias.

El recorrido completo

Paso a paso.

5 bloques 23 lecciones previstas

El temario ya está organizado. Las lecturas y sus ejercicios se incorporarán aquí; por ahora puedes consultar el objetivo de cada paso.

01

Plantear el problema antes del modelo

5 lecciones

Definir una pregunta, preparar herramientas y reconocer aplicaciones del aprendizaje automático.

  1. 1.1Definir qué aprenderemos con el experimentoEn preparación
  2. 1.2Entender qué aprende un modelo de los datosEn preparación
  3. 1.3Preparar el entorno y sus dependenciasEn preparación
  4. 1.4Convertir el proyecto en pasos verificablesEn preparación
  5. 1.5Reconocer aplicaciones y límites del aprendizaje automáticoEn preparación
02

Preparar información que pueda utilizarse

5 lecciones

Revisar origen, calidad y transformaciones antes de entrenar.

  1. 2.1Localizar datos y comprobar sus condiciones de usoEn preparación
  2. 2.2Definir qué calidad necesita el experimentoEn preparación
  3. 2.3Limpiar datos conservando decisiones y trazabilidadEn preparación
  4. 2.4Relacionar análisis, datos y construcción de modelosEn preparación
  5. 2.5Comparar Python y R para trabajar con tablasEn preparación
03

Elegir un enfoque y construir una referencia

5 lecciones

Distinguir familias de aprendizaje y comenzar con modelos comprensibles.

  1. 3.1Separar aprendizaje supervisado y no supervisadoEn preparación
  2. 3.2Reconocer modelos para clasificación y regresiónEn preparación
  3. 3.3Explorar grupos y estructuras sin etiquetasEn preparación
  4. 3.4Elegir bibliotecas para un experimento reproducibleEn preparación
  5. 3.5Entrenar una referencia inicial con PythonEn preparación
04

Evaluar antes de concluir

3 lecciones

Diseñar comprobaciones que respondan a la pregunta y respeten la separación de datos.

  1. 4.1Elegir métricas según el problemaEn preparación
  2. 4.2Separar entrenamiento, validación y pruebaEn preparación
  3. 4.3Leer resultados y explicar sus límitesEn preparación
05

Comparar modelos en un caso completo

5 lecciones

Reunir análisis, preparación y evaluación en una práctica documentada.

  1. 5.1Definir el plan y las condiciones del casoEn preparación
  2. 5.2Revisar los datos y justificar su preparaciónEn preparación
  3. 5.3Probar alternativas bajo condiciones comparablesEn preparación
  4. 5.4Evaluar la alternativa seleccionadaEn preparación
  5. 5.5Comunicar qué se aprendió y qué falta comprobarEn preparación