Machine Learning
Una Guía Completa para Científicos de Datos
Desde los fundamentos matemáticos hasta los modelos de producción —
todo lo que necesitas para dominar el aprendizaje automático.
Edición 2025 · Data Science Academy
Autor: Tu Maestro de Ciencia de Datos
5 Páginas 10+ Algoritmos 3 Paradigmas 1 Objetivo
01 ¿Qué es el Machine Learning?
El Machine Learning (ML) es una rama de la Inteligencia Artificial que permite a los sistemas aprender
automáticamente de los datos, identificar patrones y tomar decisiones con mínima intervención humana.
A diferencia de la programación tradicional —donde se codifican reglas explícitas— en ML el modelo
infiere esas reglas a partir de ejemplos.
Formalmente, Tom Mitchell (1997) definió el aprendizaje automático así:
"Se dice que un programa aprende de la experiencia E respecto a una tarea T y una
medida de rendimiento P, si su rendimiento en T, medido por P, mejora con la
experiencia E."
Breve Historia del ML
Año Hito
1943 McCulloch & Pitts — primer modelo de neurona artificial
1957 Rosenblatt — el Perceptrón
1986 Backpropagation popularizado por Rumelhart et al.
1997 IBM Deep Blue vence a Kasparov en ajedrez
2012 AlexNet revoluciona la visión por computadora (ImageNet)
2017 Transformer — arquitectura que cambió el NLP para siempre
2022 ChatGPT masifica la IA generativa al público general
2024–25 LLMs multimodales, agentes autónomos y ML en el edge
02 Los Tres Paradigmas del Aprendizaje
Aprendizaje Supervisado
El modelo aprende de pares (X, y): ejemplos etiquetados. Es el paradigma más usado en la industria.
• Clasificación: spam vs. no-spam, diagnóstico médico
• Regresión: precio de inmuebles, demanda de productos
• Algoritmos clave: Regresión Lineal/Logística, SVM, Árboles de Decisión, Random Forest, XGBoost,
Redes Neuronales
Aprendizaje No Supervisado
No hay etiquetas. El modelo descubre estructura oculta en los datos.
• Clustering: K-Means, DBSCAN, Gaussian Mixture Models
• Reducción de dimensionalidad: PCA, t-SNE, UMAP
• Detección de anomalías: Isolation Forest, Autoencoders
• Modelos generativos: VAE, GAN
Aprendizaje por Refuerzo
Un agente aprende tomando acciones en un entorno para maximizar una recompensa acumulada.
Inspirado en la psicología conductista.
• Q-Learning y Deep Q-Networks (DQN)
• Policy Gradient: REINFORCE, PPO, A3C
• Aplicaciones: videojuegos, robótica, trading algorítmico, optimización de redes
03 Flujo de Trabajo de un Proyecto ML
Definición del Problema
1 ¿Qué quiero predecir? ¿Clasificación, regresión, clustering? Define la métrica de éxito ANTES
de tocar los datos.
Recolección y Exploración (EDA)
2 Obtén datos de calidad. Explora distribuciones, correlaciones, valores nulos y outliers.
Recuerda: basura entra, basura sale.
Preprocesamiento y Feature Engineering
3 Limpieza, codificación de variables categóricas, escalado, imputación de missing values. Aquí
se ganan o pierden los modelos.
Selección y Entrenamiento del Modelo
4 Elige algoritmos apropiados. Divide en train/validation/test. Entrena, ajusta hiperparámetros
(GridSearch, Optuna, Bayesian).
Evaluación
5 Métricas según el problema: accuracy, F1, AUC-ROC, RMSE, MAE. Valida que el modelo no
hace overfitting ni underfitting.
Despliegue y Monitoreo (MLOps)
6 Sirve el modelo vía API (FastAPI, Flask) o plataformas cloud. Monitorea el data drift y el model
decay en producción.
04 Algoritmos Esenciales — Cheat Sheet
Algoritmo Tipo Fortaleza Debilidad
Regresión Lineal Supervisado Interpretable, rápido Solo relaciones lineales
Random Forest Supervisado Robusto, versátil Lento en predicción
XGBoost / LightGBM Supervisado Top en tabular data Muchos hiperparámetros
SVM Supervisado Bueno en alta dimensión Escala mal con datos grandes
K-Means No supervisado Simple, rápido Sensible a K y outliers
Red Neuronal (MLP) Supervisado Flexibilidad máxima Necesita muchos datos y GPU
LSTM / Transformer Deep Learning Secuencias y texto Costo computacional alto
Isolation Forest Anomalías Sin etiquetas Poco interpretable
05 Deep Learning & MLOps en 2025
Deep Learning: El Poder de las Redes Profundas
El Deep Learning (DL) es un subconjunto del ML que utiliza redes neuronales con múltiples capas
(profundas) para aprender representaciones jerárquicas de los datos. Ha transformado campos
completos:
• Visión por Computadora: CNNs, Vision Transformers (ViT) — detección de objetos, segmentación,
generación de imágenes (Stable Diffusion, DALL-E)
• NLP y LLMs: Transformers — BERT, GPT-4, LLaMA, Gemini. Comprensión, generación y
razonamiento sobre texto
• Audio y Voz: Whisper (STT), TTS, música generativa con modelos de difusión
• Series de Tiempo: LSTM, Temporal Fusion Transformers para forecasting financiero e industrial
• RL + DL: AlphaGo, AlphaFold (predicción de proteínas), agentes de conducción autónoma
MLOps: De Jupyter a Producción
Un modelo que solo vive en un notebook no genera valor. MLOps es el conjunto de prácticas que une el
desarrollo de ML con las operaciones de software para desplegar, monitorear y mantener modelos en
producción de forma confiable.
Área MLOps Herramientas Clave 2025
Tracking de experimentos MLflow, Weights & Biases, Neptune
Pipelines de datos Apache Airflow, Prefect, Dagster
Feature Store Feast, Tecton, Hopsworks
Serving de modelos FastAPI, BentoML, Triton, vLLM
Monitoreo Evidently AI, WhyLabs, Arize
CI/CD para ML GitHub Actions, DVC, CML
Infraestructura Docker, Kubernetes, AWS SageMaker, GCP Vertex AI
Tu Hoja de Ruta como Data Scientist
Python avanzado → Estadística y probabilidad → SQL → Scikit-learn → Visualización → ML
clásico → Deep Learning (PyTorch) → MLOps → Proyectos reales → Especialización (NLP /
CV / RL) → Contribución open-source
"En ciencia de datos, el peor modelo que existe es el que nunca se construyó. Empieza hoy, itera mañana,
despliega pasado mañana."