Machine Learning: de cero a dominarlo
Entender de verdad cómo aprende una máquina, implementándolo vos.
13 aulas · 6 horas de práctica · en el navegador, sin instalar nada
Temario
- Qué significa que una máquina aprenda — El cambio de paradigma que hace posible todo lo demás: en vez de escribir las reglas, las descubrís a partir de los datos.
- Tu primer modelo, entrenado a mano — Regresión lineal y descenso por gradiente. El algoritmo que entrena esto es el mismo que entrena GPT — solo que acá lo escribís vos, línea por línea.
- Clasificar: sí o no — La regresión predice un número. Casi todos los problemas reales de negocio son otra pregunta: ¿es spam o no? ¿va a comprar o no? Eso es clasificar, y necesita otra función.
- Taller — El oráculo del asador — Un modelo de regresión lineal entrenado a mano, con lo de las tres primeras aulas y nada más: predecí cuánta carne comprar para el próximo asado del campus, y mirá el costo bajar iteración a iteración.
- Cuando la exactitud miente — Un modelo con 99% de exactitud puede ser peor que inútil. Esta clase es cómo se mide de verdad si un clasificador sirve.
- El modelo que memorizó — Un modelo con 100% de acierto sobre sus datos de entrenamiento no aprendió nada: memorizó. Esta es la clase que separa un experimento de algo que sirve.
- Los datos son el modelo — El 80% del trabajo real de machine learning es preparar datos. No es la parte aburrida previa al trabajo interesante: es donde se gana o se pierde.
- Taller — El filtro del grupo familiar — Un clasificador de cadenas reenviadas, con el pipeline completo: partir, normalizar, entrenar y evaluar. Termina con la trampa de la exactitud: un modelo que parece excelente y en realidad no sirve.
- Árboles y bosques — El modelo que se puede dibujar y explicarle a cualquiera, y la familia que sale de juntar muchos de ellos —que sigue ganando competencias con datos de tabla.
- Preguntarle a los vecinos — El algoritmo más simple que existe: para clasificar algo nuevo, mirá a qué se parece. No entrena nada, y aun así funciona sorprendentemente bien.
- Aprender sin respuestas — Hasta acá cada ejemplo venía con su etiqueta. En el mundo real casi nunca es así: tenés datos y ninguna respuesta. Esto es lo que se puede hacer igual.
- Redes neuronales — No hay magia adentro: una neurona es la regresión logística que ya escribiste. Todo lo demás es apilarlas.
- Laboratorio — Clasificador desde cero — Diez aulas de piezas sueltas. Acá se arma el sistema completo: partir los datos, normalizar, entrenar por gradiente y evaluar con las métricas que corresponden. Sin librerías.