Introducción al ML
Aprender una función a partir de ejemplos en vez de programarla a mano: datos, modelo, pérdida y optimizador.
Machine Learning
Modelos que aprenden patrones a partir de datos tabulares o vectores de características: la base de todo lo demás.
Laboratorios de esta área
Aprendizaje supervisado
Se entrena con pares entrada–respuesta correcta para predecir la respuesta en casos nuevos.
Artículo en preparación
Aprendizaje no supervisado
Solo hay datos, sin etiquetas: se busca estructura, grupos o representaciones compactas.
Aprendizaje por refuerzo
Un agente actúa en un entorno y aprende qué acciones maximizan la recompensa acumulada.
Artículo en preparación
Regresión
Predecir un valor numérico continuo, como un precio o una temperatura.
Clasificación
Predecir una categoría. La salida suele ser una probabilidad por clase.
Clustering
Agrupar puntos parecidos sin conocer los grupos de antemano: K-means, DBSCAN, jerárquico.
Reducción de dimensionalidad
Comprimir muchas variables en pocas conservando la información: PCA, t-SNE, UMAP.
Artículo en preparación
Ensemble Learning
Combinar muchos modelos débiles para obtener uno fuerte: bagging, boosting y stacking.
Random Forest
Muchos árboles entrenados sobre muestras bootstrap y subconjuntos de variables que votan la predicción.
Gradient Boosting
Árboles en serie donde cada uno corrige el error residual de los anteriores siguiendo el gradiente de la pérdida.
XGBoost
Implementación de gradient boosting con regularización y optimizaciones de sistema; referente en datos tabulares.
SVM
Busca el hiperplano de máximo margen entre clases; con kernels separa datos no lineales.
Artículo en preparación
KNN
Predice según los k vecinos más cercanos. No entrena nada: guarda los datos y compara distancias.
Artículo en preparación
Naive Bayes
Aplica el teorema de Bayes suponiendo variables independientes dada la clase. Rápido y sólido en texto.
Artículo en preparación
Regularización L1 y L2
Penalizar los pesos grandes para generalizar mejor; L1 además selecciona variables.