Fundamentos de Aprendizaje Automático: Modelos, Entrenamiento, Inferencia y Evaluación

Un modelo llega a tu escritorio reportando un 92% de precisión y pidiendo luz verde. La sala asiente. No puedes saber si eso es espectacular, ordinario o —dado el desequilibrio de clases que nadie mencionó— en realidad peor que predecir la clase mayoritaria. Para cuando se implementa y falla silenciosamente en un subgrupo seis meses después, deseas haber sabido qué preguntar. Este curso te brinda la fluidez conceptual para saber qué preguntar, sin aprender a entrenar modelos en código y sin un desvío matemático pesado. A lo largo de treinta y ocho lecciones, recorre la capa duradera del aprendizaje automático: el ciclo de vida desde el encuadre del problema hasta el monitoreo; la disciplina de datos que decide qué puede aprender un modelo; las principales familias de modelos y para qué sirve cada una; la mecánica de entrenamiento que explica por qué los modelos se sobreajustan o no generalizan; y las métricas de evaluación que se convierten en afirmaciones honestas —o, en manos equivocadas, en teatro. Una fase completa se dedica al trabajo que la mayoría de los planes de estudio de ML descuidan: la métrica que se ajusta al costo del error que realmente pagarías, la verificación de calibración que decide si "70% de probabilidad" significa algo, las definiciones de equidad que no puedes satisfacer todas a la vez, las propiedades de privacidad que la anonimización no proporciona, y el arte de decir claramente dónde va a fallar un modelo. Los nombres de bibliotecas rotarán; los líderes de referencia cambiarán; este curso se basa en la capa que no lo hace. Te irás capaz de leer una afirmación de ML como lo hace un científico de datos senior —y de hacer la pregunta que convierte una demostración de proveedor en una decisión real.