🎯
Supervisado
El modelo aprende a partir de ejemplos etiquetados: entradas con su respuesta correcta. Sirve para predecir valores (regresión) o categorías (clasificación).
Predecir el precio de una casa · detectar spam
📚 Apuntes de mi curso en Duoc UCMachine Learning,
Machine Learning,
explicado en fácil.
Cómo las máquinas aprenden de los datos para predecir, clasificar y tomar decisiones, sin que nadie les programe cada regla.
01 · Concepto
¿Qué es el Machine Learning?
Es una rama de la Inteligencia Artificial en la que, en lugar de escribir reglas a mano, entregamos datos a un algoritmo para que descubra los patrones por sí mismo. El resultado es un modelo capaz de generalizar: hacer predicciones sobre datos que nunca ha visto.
Programación tradicional: reglas + datos → respuestas.
Machine Learning: datos + respuestas → reglas.
Inteligencia Artificial
Machine Learning
Deep Learning
02 · Tipos
Tres formas de aprender
🧩
No supervisado
No hay etiquetas. El algoritmo busca por sí solo estructura en los datos: grupos parecidos, patrones ocultos o formas de reducir dimensiones.
Segmentar clientes · detectar anomalías
🕹️
Por refuerzo
Un agente aprende por prueba y error dentro de un entorno, recibiendo recompensas o castigos según sus acciones, hasta encontrar la mejor estrategia.
Robots que caminan · IA que juega ajedrez
03 · Proceso
El flujo de un proyecto de ML
- 01
Definir el problema
¿Qué quiero predecir y cómo mediré el éxito?
- 02
Recolectar datos
Reunir datos suficientes y representativos del problema.
- 03
Limpiar y preparar
Tratar nulos, outliers, codificar variables y escalar.
- 04
Entrenar el modelo
Separar train/test y ajustar el algoritmo a los datos.
- 05
Evaluar
Medir con métricas sobre datos que el modelo nunca vio.
- 06
Desplegar y monitorear
Ponerlo en producción y vigilar que no se degrade.
04 · Algoritmos
Los clásicos que hay que conocer
Regresión lineal
Ajusta una recta (o hiperplano) para predecir valores numéricos.
Regresión logística
Estima la probabilidad de pertenecer a una clase.
Árboles de decisión
Divide los datos con preguntas sí/no; muy interpretable.
Random Forest
Muchos árboles votando juntos: robusto y preciso.
K-Nearest Neighbors
Clasifica según los vecinos más cercanos.
K-Means
Agrupa los datos en k clústeres según su similitud.
PCA
Reduce dimensiones conservando la mayor varianza posible.
Redes neuronales
Capas de neuronas que aprenden representaciones complejas.
05 · En la práctica
Un modelo en pocas líneas
Con Python y scikit-learn el flujo completo cabe en unas pocas líneas: cargar datos, separar entrenamiento y prueba, entrenar y evaluar.
PythonpandasNumPyscikit-learnMatplotlibTensorFlowJupyter
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42)
modelo = RandomForestClassifier()
modelo.fit(X_train, y_train)
pred = modelo.predict(X_test)
print("Accuracy:", accuracy_score(y_test, pred))06 · Evaluación
¿Cómo sé si mi modelo es bueno?
Accuracy
Porcentaje de predicciones correctas sobre el total.
Precision
De lo que predije como positivo, ¿cuánto lo era realmente?
Recall
De todos los positivos reales, ¿cuántos detecté?
F1-score
Media armónica entre precision y recall.
MAE / RMSE
Error promedio en problemas de regresión.
R²
Qué proporción de la variabilidad explica el modelo.
07 · Glosario
Conceptos clave
- Feature
- Variable de entrada que usa el modelo (edad, ingreso, píxeles…).
- Label / Target
- La respuesta que queremos predecir.
- Overfitting
- El modelo memoriza el entrenamiento y falla con datos nuevos.
- Underfitting
- El modelo es demasiado simple y no capta el patrón.
- Train / Test split
- Separar datos para entrenar y para evaluar de forma honesta.
- Hiperparámetro
- Configuración que se elige antes de entrenar (ej. profundidad del árbol).
- Validación cruzada
- Evaluar el modelo en varias particiones para una medida más estable.
- Matriz de confusión
- Tabla que cruza clases reales vs. predichas.