IA práctica para programadores: ChatGPT, LLM, RAG, agentes, evaluación y despliegue.
Feature engineering Introducción En la ciencia de datos, el feature engineering es uno de los pasos más cruciales y a veces olvidado. Es la fase donde convertimos los datos brutos en características que pueden ser utilizadas por un modelo p…
Evaluación y validación de modelos Introducción La evaluación y la validación de modelos son fundamentales para asegurar que nuestro modelo de machine learning está funcionando como esperamos. Estos procesos nos permiten entender cómo nuest…
Optimización de modelos Introducción La optimización de modelos es una etapa crucial en el desarrollo y aplicación de algoritmos de machine learning. A través de esta fase, podemos mejorar la precisión de nuestros modelos, reducir la sobrea…
Evaluación y validación avanzada Introducción La evaluación y la validación son fundamentales para garantizar que los modelos de machine learning sean efectivos y generalicen bien a datos no vistos. Una evaluación incorrecta puede llevar a …
Feature engineering avanzado Introducción El feature engineering es una de las etapas más cruciales en el desarrollo de modelos de machine learning. Consiste en seleccionar, transformar y crear características que mejor representen la infor…
Conclusiones razonadas Introducción Después de haber entrenado varios modelos y analizado sus errores a lo largo de la unidad, es crucial reflexionar sobre los resultados obtenidos. El objetivo es no solo identificar problemas en nuestros m…
Corrección de problemas: Diagnóstico y Solución de Modelos Overfitting y Underfitting Introducción La corrección de problemas es una etapa crucial en el desarrollo y entrenamiento de modelos de machine learning. Este proceso implica identif…
Curvas de aprendizaje Introducción Las curvas de aprendizaje son una herramienta poderosa para diagnosticar y entender tanto overfitting como underfitting en modelos de machine learning. Estas gráficas comparan cómo un modelo se desempeña a…