Que los estudiantes formulen un problema real como tarea de regresión o de clasificación; construyan un flujo completo de modelado con datos reales; comparen familias de algoritmos supervisados; evalúen con las métricas adecuadas al problema y al desbalance; y eviten las fuentes habituales de resultados engañosos.
Lo que este módulo da por aprendido
regresión, verosimilitud, intervalos, test de hipótesis para evaluar diferencias, distribuciones.
notación matricial, producto interno, normas, proyecciones.
optimización convexa, gradiente, penalizaciones L1 y L2, formulación del problema dual.
Git para versionar el análisis, SQL para construir la tabla analítica, entorno reproducible.
Cinco unidades
Unidad 1El flujo de trabajo del modelado supervisado4 h
- De la pregunta de negocio o de investigación a la variable objetivo; definición del problema y de la unidad de análisis.
- Partición entrenamiento / validación / prueba; por qué la prueba se aparta antes de mirar los datos.
- Fuga de información: sus formas más frecuentes y cómo se evita con pipelines.
- Preparación de datos: valores faltantes, codificación de categóricas, escalado, tratamiento de atípicos.
- Pipelines de scikit-learn y transformadores por columna como estructura obligatoria del módulo.
- Línea de base: el modelo trivial que todo resultado posterior debe superar.
Unidad 2Modelos lineales y regularizados5 h
- Regresión lineal como modelo predictivo: supuestos, interpretación de coeficientes, diagnóstico de residuos (retoma M2).
- Compromiso sesgo-varianza; sobreajuste y subajuste en términos operativos.
- Ridge, Lasso y Elastic Net: la regularización como problema de optimización con penalización (usa M4); selección de variables por Lasso.
- Regresión logística: función logística, verosimilitud, odds e interpretación de coeficientes.
- Umbral de decisión: por qué 0,5 no es una elección neutral; curvas ROC y precisión-exhaustividad.
- Modelos lineales generalizados como panorama: Poisson y conteos.
Unidad 3Árboles y métodos de ensamble6 h
- Árbol de decisión: criterios de división (Gini, entropía, reducción de varianza), profundidad, poda, interpretabilidad.
- Bagging y Random Forest: aleatorización, muestras fuera de bolsa, importancia de variables y sus sesgos.
- Boosting: AdaBoost, Gradient Boosting y las implementaciones actuales (XGBoost, LightGBM); hiperparámetros que importan.
- Por qué los ensambles de árboles son la referencia práctica en datos tabulares.
- Interpretación de modelos complejos: importancia por permutación, dependencia parcial, valores SHAP como panorama.
Unidad 4Otras familias de algoritmos4 h
- K vecinos más cercanos: métrica, elección de k, costo computacional, efecto de la dimensionalidad.
- Máquinas de vectores soporte: margen máximo, margen blando, núcleos lineal, polinómico y radial; el problema dual como problema de optimización (usa M4).
- Naive Bayes: independencia condicional, variantes gaussiana y multinomial, uso en texto.
- Criterios de selección de familia según tamaño de datos, tipo de variables, necesidad de interpretación y tiempo de cómputo.
Unidad 5Evaluación, validación y ajuste6 h
- Métricas de regresión: MAE, RMSE, R², error porcentual; cuál corresponde a cada problema.
- Métricas de clasificación: matriz de confusión, exactitud, precisión, exhaustividad, F1, AUC-ROC, AUC-PR.
- Clases desbalanceadas: por qué la exactitud engaña; remuestreo, pesos de clase, SMOTE, ajuste del umbral.
- Validación cruzada: k-fold, estratificada, por grupos, anidada; su uso correcto con búsqueda de hiperparámetros.
- Búsqueda de hiperparámetros: grilla, aleatoria y bayesiana; presupuesto de cómputo.
- Calibración de probabilidades; comparación estadística de modelos y significancia de las diferencias.
- Comunicación de resultados: qué informar y qué no; errores frecuentes en informes de modelos.
Evaluación
Trabajo práctico integrador: resolución completa de un problema supervisado real desde el dato crudo hasta el informe, con al menos tres familias de modelos, validación correcta y justificación de la métrica elegida. Es la entrega que más se aproxima al formato del proyecto integrador.
Datos de trabajo
Conjunto tabular transversal de la Diplomatura (con valores faltantes y variables mixtas reales), un conjunto con clases fuertemente desbalanceadas y un conjunto de texto breve.
Bibliografía
- Géron, A. (2022). Hands-On Machine Learning..., 3ª ed., caps. 1 a 7.
- Hastie, T., Tibshirani, R. y Friedman, J. (2009). The Elements of Statistical Learning, caps. 3, 4, 7, 9, 10 y 15.
- VanderPlas, J. (2016). Python Data Science Handbook, cap. 5.
- Documentación de scikit-learn (User Guide).