Casos de Estudio Avanzados: Machine Learning#
Los notebooks del capítulo de Machine Learning Clásico siguen un hilo secuencial deliberado: cada algoritmo se apoya en el anterior para construir criterio sólido. Esa linealidad es necesaria, pero tiene un costo: obliga a dejar afuera todo lo que no encaja limpiamente en el recorrido obligatorio.
Este espacio existe para cubrir ese margen.
Aquí se abordan problemas, técnicas y enfoques que complementan el cuerpo del capítulo sin interrumpir su flujo. Algunos casos profundizan en un tema ya visto desde un ángulo diferente; otros introducen metodologías que requieren madurez acumulada en los modelos clásicos para aprovecharse en serio; otros simplemente exploran territorios que vale la pena conocer, aunque no sean parte del camino principal.
No hay un orden de lectura impuesto. Cada notebook es autocontenido y referencia explícitamente qué conocimiento previo asume. La única condición es haber transitado los notebooks del capítulo que se indiquen como prerrequisito.
Qué se encontrará aquí#
Profundizaciones técnicas: Aspectos avanzados de algoritmos o metodologías ya vistos — como Confident Learning, Uplift Modeling o compresión de modelos para TinyML — que en su notebook de origen se tocaron de forma deliberadamente acotada para no perder el hilo.
Técnicas complementarias: Herramientas y enfoques que no tienen lugar natural en ningún notebook específico del capítulo, pero que cualquier profesional serio debería conocer: SHAP para interpretabilidad, ingeniería de características con alta cardinalidad, inferencia causal, estrategias de imputación avanzada.
Problemas con contexto real: Casos que integran múltiples técnicas del capítulo en un flujo end-to-end con una consigna concreta, donde el foco está en las decisiones de ingeniería y su justificación, no en reproducir resultados.
Exploraciones y curiosidades fundamentadas: Preguntas que surgen naturalmente al estudiar el material principal y que merecen una respuesta rigurosa — por ejemplo, cuántos datos realmente se necesitan para que un modelo deje de mejorar.
Nota: Esta sección está pensada para quienes terminan un notebook del capítulo y se quedan con ganas de más. No reemplaza al material principal ni lo complementa como si fuera un apéndice de relleno. Cada caso tiene valor propio y fue incluido porque genuinamente aporta perspectiva que el recorrido secuencial no da. Si llegaste hasta acá, probablemente estás construyendo el tipo de criterio que distingue a un buen ingeniero de uno mediocre.