1 · Regresión lineal
Ajusta una recta a los datos — después un polinomio — después regulariza. El modelo más simple con las lecciones más profundas.
●Track 5 · En vivo
ML supervisado clásico
Regresión lineal a XGBoost — los caballos de batalla que usarás primero.
Regresión lineal y polinómica, logística, SVM, Naive Bayes, KNN, árboles, random forests, AdaBoost, Gradient Boosting, XGBoost. Cada algoritmo trae una escena cinemática (superficie de pérdida, frontera de decisión, voto del ensemble) más una implementación con sklearn en el navegador.
28 / 50 lecciones8 capítulos
2 · Métricas y validación
Elige la métrica de error correcta, valida honestamente con CV de k-folds y diagnostica sesgo vs varianza — tres habilidades que separan al amateur del profesional de ML.
3 · Regresión logística y clasificación
Sigmoide + BCE para binaria, softmax para multiclase, más las métricas (precisión, recall, F1, ROC-AUC) y el tuning que convierten un fit en un modelo desplegable.
4 · Máquinas de soporte vectorial
Márgenes duro y blando, el truco del kernel y SVR — el clasificador geométrico que dominó el ML tabular antes del deep learning.
5 · Naive Bayes y KNN
Dos clasificadores no lineales clásicos — el rey de la velocidad Naive Bayes y el perezoso pero poderoso KNN.
6 · Árboles de decisión
Splits recursivos por impureza, regresión por reducción de varianza y poda para combatir el overfitting — la unidad atómica de todo ensemble.
7 · Métodos de ensemble
Bagging, random forest y AdaBoost — los algoritmos que convierten aprendices débiles en aprendices fuertes.
8 · Gradient boosting y proyecto capstone
Gradient boosting, XGBoost y una pipeline ML end-to-end completa — la forma de entrega de todo modelo en producción.