Las herramientas de datos
0/3Bases
Pandas es una hoja de cálculo que manejas con código. SQL le pide a una base de datos justo las filas que necesitas. NumPy son los arreglos rápidos debajo de ambos.
Los principiantes suelen saltarse SQL y luego se arrepienten.
Limpieza de datos
0/1Si entran datos malos, salen respuestas malas, por muy listo que sea el modelo.
Los datos reales traen valores faltantes, errores de tipeo y formatos equivocados. Limpiarlos los vuelve confiables antes de preguntarles algo.
Análisis exploratorio de datos
0/1Antes de modelar
Conoce un dataset antes de confiar en él: cuenta cosas, grafica cosas, busca lo raro.
El paso más barato del proceso, y atrapa errores que arruinarían un modelo en silencio semanas después. Cuenta con ir y volver entre limpieza y exploración varias veces.
- Primero la forma
- Filas, columnas, tipos, valores faltantes. Mira filas crudas también.
- Distribuciones
- Sesgos, dos picos, valores imposibles.
- Relaciones
- La correlación muestra que dos cosas se mueven juntas, no que una cause la otra.
- Fuga de datos
- Una columna que en secreto trae la respuesta. Perfecta en pruebas, inútil en la realidad.
Machine learning
0/2El grande
Un modelo es una función matemática. Entrenar es buscar la versión de esa función que mejor coincide con las respuestas que ya conoces.
Dale entradas con respuestas conocidas, deja que ajuste su fórmula hasta que las salidas coincidan y luego confía en él con entradas nuevas. El aprendizaje por refuerzo, la tercera rama, espera hasta la Fase 04.
- Pesos
- Cuánto importa cada entrada.
- Sesgo (bias)
- Una base que sube o baja todo el resultado.
- Supervisado
- Cada ejemplo de entrenamiento trae la respuesta correcta.
- No supervisado
- Encuentra estructura en datos que no traen respuestas.
Ética de datos
0/1Un modelo entrenado con datos sesgados repite ese sesgo a gran escala, y con seguridad.
Pregúntate a quién podría perjudicar y cómo te enterarías antes de publicar cualquier cosa. Esto es parte del trabajo, no un extra.
Despliegue y MLOps
0/2Ponerlo en el mundo
Un modelo en un notebook es un boceto. MLOps es todo lo que lo rodea: construirlo de forma reproducible, servirlo y notar cuando se desvía.
Desplegar convierte un modelo en algo que otros pueden usar: empaquetado, detrás de una dirección a la que tu app puede llamar, y vigilado después.
- Servir
- Envuelve el modelo en una API pequeña. FastAPI con Docker es la combinación inicial estándar.
- Reproducibilidad
- Los mismos datos, código y ajustes, versionados, dan el mismo modelo.
- Monitoreo y deriva
- El mundo cambia y tu modelo no. Vigila entradas y predicciones.
- Pipelines
- Recolectar, limpiar, entrenar, evaluar y desplegar, con horario.
Embeddings y bases de datos vectoriales
0/1Pieza más nueva
Un embedding convierte el significado en coordenadas. Una base de datos vectorial encuentra rápido los puntos más cercanos.
Las cosas parecidas quedan cerca, así que “busca lo más cercano” es lo que mueve la búsqueda semántica, las recomendaciones y el paso de recuperación en RAG.
- Similitud
- La similitud coseno es la medida de cercanía más común.
- Fragmentación
- Cómo partes los documentos es lo que más pesa en la calidad de la recuperación.
- Índices ANN
- La búsqueda aproximada sacrifica un poco de precisión a cambio de muchísima velocidad.
Construye esto
Elige un dataset de Kaggle que te parezca divertido. Límpialo, explóralo, entrena un modelo con scikit-learn y luego sirve predicciones desde un endpoint de FastAPI dentro de Docker.
Compruébalo antes de seguir
Marca lo que de verdad puedes hacer, sin buscarlo. Lo que todavía no, es a donde hay que volver.