Base de conocimiento
Topics
47 temas organizados en 14 áreas, cada uno con la misma estructura: qué logras, cuándo aplica, ejemplo práctico y sus límites.
Estadística Descriptiva
PrincipianteResumir un conjunto de datos en números y gráficos que cuentan su historia central.
Probabilidad
PrincipianteEl lenguaje matemático para cuantificar la incertidumbre y el azar.
Distribuciones de Probabilidad
IntermedioLos patrones matemáticos que describen cómo se comportan distintos tipos de datos aleatorios.
Inferencia Estadística y Pruebas de Hipótesis
IntermedioSacar conclusiones sobre una población entera a partir de una muestra, con un margen de confianza cuantificado.
Álgebra Lineal Aplicada
IntermedioVectores, matrices y transformaciones: la estructura de datos matemática detrás de todo modelo de ML.
Optimización y Descenso de Gradiente
IntermedioEl proceso matemático mediante el cual un modelo aprende ajustando sus parámetros.
Estadística Bayesiana
AvanzadoActualizar creencias sobre el mundo de forma cuantitativa a medida que llega nueva evidencia.
Limpieza de Datos (Data Cleaning)
PrincipianteDetectar y corregir errores, inconsistencias y duplicados antes de que contaminen cualquier análisis.
Manejo de Datos Faltantes
IntermedioDecidir qué hacer cuando faltan valores, sin sesgar ni descartar información valiosa.
Detección y Tratamiento de Outliers
IntermedioIdentificar valores atípicos y decidir si son ruido, errores o la señal más importante del dataset.
Ingeniería de Características (Feature Engineering)
IntermedioTransformar datos crudos en las variables que realmente ayudan a un modelo a predecir mejor.
Análisis Exploratorio de Datos (EDA)
PrincipianteInvestigar un dataset de forma sistemática antes de plantear cualquier hipótesis o modelo.
Storytelling con Datos
IntermedioComunicar hallazgos de forma que generen comprensión y decisiones, no solo gráficos bonitos.
Diseño de Dashboards
IntermedioConstruir paneles interactivos que permitan a otros explorar los datos por su cuenta, de forma continua.
Regresión
PrincipiantePredecir un valor numérico continuo a partir de un conjunto de variables.
Clasificación
PrincipiantePredecir a qué categoría pertenece un ejemplo nuevo, a partir de ejemplos etiquetados.
Métodos de Ensamble (Bagging y Boosting)
IntermedioCombinar muchos modelos débiles para construir un modelo colectivamente mucho más preciso.
Validación de Modelos y Métricas de Desempeño
IntermedioMedir honestamente qué tan bien funcionará un modelo con datos que nunca ha visto.
Optimización de Hiperparámetros
IntermedioEncontrar la configuración de un modelo que maximiza su desempeño, de forma sistemática en vez de manual.
Clustering
IntermedioAgrupar datos similares entre sí sin conocer de antemano las categorías correctas.
Reducción de Dimensionalidad
IntermedioComprimir datos con muchas variables en menos dimensiones, preservando la mayor información posible.
Detección de Anomalías
IntermedioIdentificar automáticamente los eventos raros que más importan: fraudes, fallas y comportamientos inusuales.
Sistemas de Recomendación
AvanzadoPredecir qué productos, contenido o acciones le interesarán a cada usuario específico.
Redes Neuronales Fundamentales
AvanzadoEl bloque de construcción básico del deep learning: capas de neuronas conectadas que aprenden funciones complejas.
Redes Neuronales Convolucionales (CNN)
AvanzadoArquitecturas especializadas en reconocer patrones espaciales, el estándar para trabajar con imágenes.
Redes Recurrentes y Modelos Secuenciales (RNN/LSTM)
AvanzadoArquitecturas diseñadas para datos donde el orden importa: texto, series de tiempo, audio.
Arquitectura Transformer
AvanzadoEl mecanismo de atención que revolucionó el NLP y hoy es la base de los grandes modelos de lenguaje.
Transfer Learning y Fine-Tuning
IntermedioReutilizar el conocimiento de un modelo ya entrenado en vez de empezar desde cero.
Fundamentos de NLP
IntermedioLas técnicas base para convertir texto humano en algo que un modelo pueda procesar matemáticamente.
Grandes Modelos de Lenguaje (LLMs)
AvanzadoModelos entrenados con cantidades masivas de texto que pueden generar, resumir y razonar sobre lenguaje natural.
Recuperación Aumentada por Generación (RAG)
AvanzadoCombinar un modelo de lenguaje con una base de conocimiento externa para respuestas más precisas y verificables.
Análisis y Forecasting de Series de Tiempo
IntermedioPredecir valores futuros a partir de patrones observados en datos ordenados en el tiempo.
Descomposición Estacional y Detección de Tendencias
PrincipianteSeparar una serie de tiempo en sus componentes de tendencia, estacionalidad y ruido para entenderla mejor.
Diseño y Análisis de Experimentos A/B
IntermedioComparar dos versiones de algo con rigor estadístico para decidir cuál es mejor.
Inferencia Causal
AvanzadoEstimar el efecto real de una intervención cuando un experimento controlado no es posible ni ético.
Despliegue de Modelos (Model Serving)
AvanzadoConvertir un modelo entrenado en un servicio que otras aplicaciones puedan consumir de forma confiable.
Monitoreo de Modelos y Data Drift
AvanzadoDetectar cuándo un modelo en producción deja de ser confiable porque el mundo cambió.
Feature Stores
AvanzadoUn repositorio centralizado de features reutilizables entre entrenamiento y producción, consistente para todo el equipo.
Interpretabilidad y Explicabilidad (XAI)
IntermedioEntender por qué un modelo tomó una decisión específica, no solo qué tan preciso es en promedio.
Sesgo y Equidad (Fairness) en Modelos de ML
AvanzadoDetectar y corregir cuando un modelo trata sistemáticamente peor a ciertos grupos de personas.
Privacidad y Anonimización de Datos
IntermedioUsar datos personales para análisis y modelos sin exponer la identidad o información sensible de las personas.
Arquitecturas de Datos (Warehouse, Lake, Lakehouse)
IntermedioLas distintas formas de organizar el almacenamiento de datos de una organización, cada una con sus propios trade-offs.
Modelado Dimensional de Datos
IntermedioDiseñar tablas de hechos y dimensiones que hacen que el análisis de negocio sea rápido e intuitivo.
Procesamiento de Datos en Streaming
AvanzadoProcesar datos de forma continua a medida que llegan, en vez de esperar a acumularlos en lotes.
Aprendizaje por Refuerzo (Reinforcement Learning)
AvanzadoEntrenar un agente que aprende a tomar decisiones mediante prueba, error y recompensas.
Aprendizaje Auto-supervisado y Semi-supervisado
AvanzadoAprovechar datos sin etiquetar (o con pocas etiquetas) para entrenar modelos de todas formas.
Aprendizaje Federado
AvanzadoEntrenar un modelo compartido a partir de datos que nunca salen del dispositivo o servidor donde se originaron.
¿Buscas otra cosa? Explora todas las entidades.