IA práctica para programadores: ChatGPT, LLM, RAG, agentes, evaluación y despliegue.
Variables pobres: cómo mejorar la feature engineering para evitar underfitting Introducción En el mundo de la ciencia de datos, la calidad y relevancia de las variables (features) utilizadas son fundamentales para construir modelos de machi…
Supuestos incorrectos Introducción La ciencia de datos es una disciplina que busca modelar la realidad a través de algoritmos y modelos. Sin embargo, al crear estos modelos, se corre el riesgo de hacer supuestos que no son precisos o válido…
Relaciones no capturadas Introducción En la ciencia de datos, las relaciones entre variables son fundamentales para la toma de decisiones basada en modelos. Sin embargo, a veces, estos modelos pueden fallar en identificar y modelar esas rel…
Falta de capacidad Introducción La falta de capacidad en un modelo es uno de los problemas más comunes que se encuentran los científicos de datos y los ingenieros de IA. Cuando un modelo tiene poca capacidad, no puede aprender las patrones …
Data leakage: ¿Por qué importa y cómo evitarlo Introducción En el campo de la ciencia de datos, data leakage es uno de los problemas más desafiantes que podemos enfrentar. Es una forma específica de overfitting donde nuestro modelo tiene ac…
Datos no representativos Introducción En el camino hacia construir modelos de machine learning fiables y precisos, una gran parte del trabajo se centra en la recolección y preparación de datos. Sin embargo, incluso con los mejores datos dis…
Pocos datos: una causa común de overfitting Introducción En el mundo del machine learning, los modelos complejos pueden caer en el trampa de aprender tanto del ruido como de la señal. Este fenómeno se conoce como overfitting, y puede ser pa…
Ajuste al ruido Introducción El ajuste al ruido es un fenómeno común en la modelización de datos, particularmente cuando los modelos son demasiado complejos. Este término se refiere a que el modelo no solo aprende las características releva…