Modelos Clásicos de Machine Learning

Modelos Clásicos de Machine Learning#

Este capítulo marca la transición entre el análisis de datos y la construcción de sistemas predictivos. No nos limitaremos a entender las matemáticas detrás de los algoritmos fundamentales; nuestro objetivo es desarrollar criterio de ingeniería. Aprender a seleccionar el modelo adecuado evaluando el Trade-off Sesgo-Varianza, los costos computacionales en producción y la robustez del sistema frente a datos no vistos.

Contenido del Capítulo#

  • Clasificación (Fundamentos y Geometría): Regresión Logística, K-Nearest Neighbors (KNN), Máquinas de Vectores de Soporte (SVM) y Árboles de Decisión.

  • Regresión (Prediciendo el Continuo): Modelos lineales regularizados (Ridge/Lasso) y el peligro de la extrapolación en modelos no lineales.

  • Optimización y Ensamblados: Búsqueda de hiperparámetros (Grid/Random Search) y combinación de modelos (Random Forest, Gradient Boosting).

  • Flujos de Trabajo Profesionales: Construcción de Pipelines para prevenir fugas de datos (Data Leakage) y estrategias de selección de características para optimizar costos de hardware.

Nota: Este capítulo está diseñado para ser práctico. Te recomendamos fuertemente experimentar con el código y no solo leerlo. Modificar parámetros, cambiar las semillas aleatorias y observar cómo los modelos reaccionan. Plantear hipótesis y responderlas en base a la evidencia empírica sobre experimentos bien planteados.

Contents