📊 Parte 03 — Machine learning clásico

Nivel: intermedio · Duración sugerida: 5–6 semanas · Clases: 12

Cubre el aprendizaje a partir de datos antes de las redes profundas, con énfasis en baselines, validación, interpretabilidad y costo de error.

🧭 Secuencia de la parte

flowchart LR
    L037["037<br/>Flujo supervisado y<br/>partición train-validation-test"]
    L038["038<br/>Regresión lineal, regularización<br/>y diagnóstico"]
    L039["039<br/>Clasificación logística y<br/>umbrales"]
    L040["040<br/>Árboles de decisión<br/>y reglas interpretables"]
    L041["041<br/>Random Forest, boosting<br/>y ensembles"]
    L042["042<br/>Ingeniería y selección<br/>de características"]
    L043["043<br/>Clustering y reducción<br/>de dimensionalidad"]
    L044["044<br/>Detección de anomalías"]
    L045["045<br/>Series temporales y<br/>backtesting"]
    L046["046<br/>Sistemas de recomendación"]
    L047["047<br/>Métricas, calibración, sesgo<br/>y costo de<br/>error"]
    L048["048<br/>Proyecto: producto ML<br/>reproducible"]
    L037 --> L038
    L038 --> L039
    L039 --> L040
    L040 --> L041
    L041 --> L042
    L042 --> L043
    L043 --> L044
    L044 --> L045
    L045 --> L046
    L046 --> L047
    L047 --> L048

📚 Clases

ID Tema Laboratorio Horas
037 Flujo supervisado y partición train-validation-test ml 6
038 Regresión lineal, regularización y diagnóstico ml 6
039 Clasificación logística y umbrales ml 6
040 Árboles de decisión y reglas interpretables ml 6
041 Random Forest, boosting y ensembles ml 6
042 Ingeniería y selección de características ml 6
043 Clustering y reducción de dimensionalidad ml 6
044 Detección de anomalías ml 6
045 Series temporales y backtesting ml 6
046 Sistemas de recomendación retrieval 6
047 Métricas, calibración, sesgo y costo de error evaluation 6
048 Proyecto: producto ML reproducible capstone 10

📝 Evaluación de la parte

⬅️ Parte 02 — IA probabilística, evolutiva y de decisión · 🏠 Volver al programa · ➡️ Parte 04 — Redes neuronales y deep learning