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

Principiante

Resumir un conjunto de datos en números y gráficos que cuentan su historia central.

Probabilidad

Principiante

El lenguaje matemático para cuantificar la incertidumbre y el azar.

Distribuciones de Probabilidad

Intermedio

Los patrones matemáticos que describen cómo se comportan distintos tipos de datos aleatorios.

Inferencia Estadística y Pruebas de Hipótesis

Intermedio

Sacar conclusiones sobre una población entera a partir de una muestra, con un margen de confianza cuantificado.

Álgebra Lineal Aplicada

Intermedio

Vectores, matrices y transformaciones: la estructura de datos matemática detrás de todo modelo de ML.

Optimización y Descenso de Gradiente

Intermedio

El proceso matemático mediante el cual un modelo aprende ajustando sus parámetros.

Estadística Bayesiana

Avanzado

Actualizar creencias sobre el mundo de forma cuantitativa a medida que llega nueva evidencia.

Limpieza de Datos (Data Cleaning)

Principiante

Detectar y corregir errores, inconsistencias y duplicados antes de que contaminen cualquier análisis.

Manejo de Datos Faltantes

Intermedio

Decidir qué hacer cuando faltan valores, sin sesgar ni descartar información valiosa.

Detección y Tratamiento de Outliers

Intermedio

Identificar valores atípicos y decidir si son ruido, errores o la señal más importante del dataset.

Ingeniería de Características (Feature Engineering)

Intermedio

Transformar datos crudos en las variables que realmente ayudan a un modelo a predecir mejor.

Análisis Exploratorio de Datos (EDA)

Principiante

Investigar un dataset de forma sistemática antes de plantear cualquier hipótesis o modelo.

Storytelling con Datos

Intermedio

Comunicar hallazgos de forma que generen comprensión y decisiones, no solo gráficos bonitos.

Diseño de Dashboards

Intermedio

Construir paneles interactivos que permitan a otros explorar los datos por su cuenta, de forma continua.

Regresión

Principiante

Predecir un valor numérico continuo a partir de un conjunto de variables.

Clasificación

Principiante

Predecir a qué categoría pertenece un ejemplo nuevo, a partir de ejemplos etiquetados.

Métodos de Ensamble (Bagging y Boosting)

Intermedio

Combinar muchos modelos débiles para construir un modelo colectivamente mucho más preciso.

Validación de Modelos y Métricas de Desempeño

Intermedio

Medir honestamente qué tan bien funcionará un modelo con datos que nunca ha visto.

Optimización de Hiperparámetros

Intermedio

Encontrar la configuración de un modelo que maximiza su desempeño, de forma sistemática en vez de manual.

Clustering

Intermedio

Agrupar datos similares entre sí sin conocer de antemano las categorías correctas.

Reducción de Dimensionalidad

Intermedio

Comprimir datos con muchas variables en menos dimensiones, preservando la mayor información posible.

Detección de Anomalías

Intermedio

Identificar automáticamente los eventos raros que más importan: fraudes, fallas y comportamientos inusuales.

Sistemas de Recomendación

Avanzado

Predecir qué productos, contenido o acciones le interesarán a cada usuario específico.

Redes Neuronales Fundamentales

Avanzado

El bloque de construcción básico del deep learning: capas de neuronas conectadas que aprenden funciones complejas.

Redes Neuronales Convolucionales (CNN)

Avanzado

Arquitecturas especializadas en reconocer patrones espaciales, el estándar para trabajar con imágenes.

Redes Recurrentes y Modelos Secuenciales (RNN/LSTM)

Avanzado

Arquitecturas diseñadas para datos donde el orden importa: texto, series de tiempo, audio.

Arquitectura Transformer

Avanzado

El mecanismo de atención que revolucionó el NLP y hoy es la base de los grandes modelos de lenguaje.

Transfer Learning y Fine-Tuning

Intermedio

Reutilizar el conocimiento de un modelo ya entrenado en vez de empezar desde cero.

Fundamentos de NLP

Intermedio

Las técnicas base para convertir texto humano en algo que un modelo pueda procesar matemáticamente.

Grandes Modelos de Lenguaje (LLMs)

Avanzado

Modelos entrenados con cantidades masivas de texto que pueden generar, resumir y razonar sobre lenguaje natural.

Recuperación Aumentada por Generación (RAG)

Avanzado

Combinar un modelo de lenguaje con una base de conocimiento externa para respuestas más precisas y verificables.

Análisis y Forecasting de Series de Tiempo

Intermedio

Predecir valores futuros a partir de patrones observados en datos ordenados en el tiempo.

Descomposición Estacional y Detección de Tendencias

Principiante

Separar una serie de tiempo en sus componentes de tendencia, estacionalidad y ruido para entenderla mejor.

Diseño y Análisis de Experimentos A/B

Intermedio

Comparar dos versiones de algo con rigor estadístico para decidir cuál es mejor.

Inferencia Causal

Avanzado

Estimar el efecto real de una intervención cuando un experimento controlado no es posible ni ético.

Despliegue de Modelos (Model Serving)

Avanzado

Convertir un modelo entrenado en un servicio que otras aplicaciones puedan consumir de forma confiable.

Monitoreo de Modelos y Data Drift

Avanzado

Detectar cuándo un modelo en producción deja de ser confiable porque el mundo cambió.

Feature Stores

Avanzado

Un repositorio centralizado de features reutilizables entre entrenamiento y producción, consistente para todo el equipo.

Interpretabilidad y Explicabilidad (XAI)

Intermedio

Entender por qué un modelo tomó una decisión específica, no solo qué tan preciso es en promedio.

Sesgo y Equidad (Fairness) en Modelos de ML

Avanzado

Detectar y corregir cuando un modelo trata sistemáticamente peor a ciertos grupos de personas.

Privacidad y Anonimización de Datos

Intermedio

Usar datos personales para análisis y modelos sin exponer la identidad o información sensible de las personas.

Arquitecturas de Datos (Warehouse, Lake, Lakehouse)

Intermedio

Las distintas formas de organizar el almacenamiento de datos de una organización, cada una con sus propios trade-offs.

Modelado Dimensional de Datos

Intermedio

Diseñar tablas de hechos y dimensiones que hacen que el análisis de negocio sea rápido e intuitivo.

Procesamiento de Datos en Streaming

Avanzado

Procesar datos de forma continua a medida que llegan, en vez de esperar a acumularlos en lotes.

Aprendizaje por Refuerzo (Reinforcement Learning)

Avanzado

Entrenar un agente que aprende a tomar decisiones mediante prueba, error y recompensas.

Aprendizaje Auto-supervisado y Semi-supervisado

Avanzado

Aprovechar datos sin etiquetar (o con pocas etiquetas) para entrenar modelos de todas formas.

Aprendizaje Federado

Avanzado

Entrenar un modelo compartido a partir de datos que nunca salen del dispositivo o servidor donde se originaron.

¿Buscas otra cosa? Explora todas las entidades.