Plan de Aprendizaje Completo: Machine Learning

Objetivo: Entrenar modelos clásicos con scikit-learn, empezar siempre por una línea base y saber qué pregunta responde el modelo.

Metodología: Un solo problema de principio a fin (clasificación o regresión de negocio). Las fases rehacen ese problema, no saltan de dataset de juguete en juguete.

Tus apuntes van en Mis notas.

Índice

1. Fase 1: El problema antes del algoritmo
2. Fase 2: Features y fugas
3. Fase 3: Modelos supervisados
4. Fase 4: Modelos no supervisados, con medida
5. Fase 5: Interpretar y entregar
6. Proyectos integradores

Fase 1: El problema antes del algoritmo

Meta: Definir target, grano y línea base antes de importar un estimador.

• Clasificación, regresión y por qué clustering no es “el modelo” si la pregunta es predecir
• Target: qué fila, qué momento, qué evento. Una fila mal definida arruina el resto
• Línea base: la clase mayoritaria, la media, o una regla de negocio
• Métrica alineada al costo: accuracy, precision, recall, F1, RMSE, MAE
• 🧪 Práctica: Una página que diga la pregunta, el grano, el target y la línea base numérica.

Fase 2: Features y fugas

Meta: Construir columnas que existían en el momento de la decisión.

• Numéricas, categóricas, fechas descompuestas
• Escalado y encoding dentro del pipeline de scikit-learn, no antes de partir los datos
• Fuga: usar el futuro, el id, o un agregado calculado con el target
• ColumnTransformer + Pipeline
• 🧪 Práctica: Lista de features prohibidas de tu problema y un pipeline que transforma solo con train.

Fase 3: Modelos supervisados

Meta: Comparar pocos modelos contra la línea base, no coleccionar algoritmos.

• Regresión lineal y logística: coeficientes con signo y unidad
• Árboles y random forest o gradient boosting, y el sobreajuste visible en train vs validación
• train_test_split estratificado cuando la clase es rara
• Curva ROC o matriz de confusión según el problema, no las dos por decorar
• 🧪 Práctica: Tres modelos y una tabla: métrica de línea base, de validación y de test. El test se mira una vez.

Fase 4: Modelos no supervisados, con medida

Meta: Agrupar o reducir dimensión solo si cambia una decisión.

• K-means: escala, elección de k, clusters que se pueden nombrar
• PCA para entender varianza, no para “mejorar accuracy” sin mirar
• Un cluster sin interpretación no se entrega
• 🧪 Práctica: Segmentos de clientes con un nombre de negocio y una métrica que los distinga.

Fase 5: Interpretar y entregar

Meta: Que otra persona sepa cuándo creerle al modelo.

• Importancia de variables o coeficientes, con sus límites
• Errores típicos: en qué segmento falla
• Reproducibilidad: semilla, versiones, script único
• El notebook no es el entregable; lo es el script y la métrica
• 🧪 Práctica: Informe de una página: pregunta, línea base, modelo elegido, dónde falla, qué no hace.

Proyectos integradores

1. Clasificador de un evento de negocio — fuga controlada, línea base y una métrica que no sea solo accuracy.
2. Regresión de un valor — error en la unidad del negocio (pesos, días, unidades), no solo un R².

Recursos

Recurso	Uso
scikit-learn user guide	API y pipelines
Hands-On Machine Learning	Recorrido práctico
Choosing the right estimator	Mapa, no receta ciega

Criterios de avance

Fase	La dominas cuando...
1	Tienes línea base numérica antes del primer modelo
2	El pipeline no ve el test y no usa columnas del futuro
3	Ganas a la línea base en validación y lo muestras en una tabla
4	Un cluster tiene nombre y una diferencia medible
5	Alguien puede rerun el script y obtener la misma métrica