¿Qué es aprender de datos?

💡En simple: lee esto primero

En vez de escribirle a la computadora las reglas a mano, le damos muchos ejemplos resueltos y ella misma descubre la regla.

Imagínalo así

Es como aprender a reconocer perros: nadie te dio una definición exacta de «perro»; viste cientos y tu cabeza armó la regla sola. Machine learning hace eso con números.

Lo que tienes que llevarte

• Hay tres grandes tipos: supervisado (con respuestas: «esta foto es un gato»), no supervisado (sin respuestas: «agrupa lo parecido») y por refuerzo (aprender a base de premios y castigos).
• Lo que importa no es acertar en los ejemplos que ya viste, sino en los nuevos. Memorizar no es aprender.
• Por eso se separan los datos: unos para aprender (train), otros para ajustar decisiones (validación) y otros solo para el examen final (test).

Palabras raras de esta página

feature

un dato que describe al ejemplo (edad, precio, tamaño…). Una columna de la tabla.

target / etiqueta

la respuesta que queremos predecir.

generalizar

acertar también con datos que el modelo nunca vio.

función de pérdida

un número que dice «qué tan mal» predijo el modelo. Aprender = hacerlo pequeño.

Más abajo viene la versión completa, con fórmulas. Si una palabra aparece subrayada con puntos, pasa el mouse (o tócala) para ver qué significa.

El problema de escribir reglas

Tarea: ¿esta foto contiene un gato? Intenta escribir reglas: «tiene orejas puntiagudas» (pero a veces están dobladas u ocultas), «tiene pelo» (los perros y las alfombras también)… cien reglas después, el programa falla con la siguiente foto.

No sabemos enunciar las reglas, pero sí podemos dar ejemplos. Machine learning convierte ejemplos en un programa que funciona.

Clásica: reglas + datos → respuestas. ML: datos + respuestas → reglas (el modelo). No sabemos escribir las reglas para «¿hay un gato?», pero sí dar ejemplos.

Dos definiciones

• Samuel (1959), informal: el campo que da a las computadoras la capacidad de aprender sin ser programadas explícitamente.
• Mitchell (1997), operacional: un programa aprende de la experiencia $E$ respecto a una tarea $T$ y una medida de desempeño $P$ si su desempeño en $T$, medido por $P$, mejora con $E$.

Para cualquier proyecto de ML, fija siempre las tres piezas. Ejemplo del filtro de spam:

Pieza	Qué es	Spam
T (tarea)	lo que el sistema debe hacer	etiquetar cada correo como spam o ham
P (desempeño)	cómo medimos el éxito	% de correos bien clasificados
E (experiencia)	de qué datos aprende	correos etiquetados por los usuarios

Trampa del banco de preguntas

$E$ no es el algoritmo de entrenamiento y $P$ no es el número de parámetros. $E$ son los datos; $P$ es una medida de qué tan bien se hace $T$.

La versión formal (opcional): minimizar el riesgo

Queremos una función $h$ con bajo riesgo esperado $R(h) = \mathbb{E}_{(\mathbf{x},y)\sim P}[\ell(h(\mathbf{x}), y)]$, el error promedio sobre todos los datos posibles. No conocemos $P$, así que minimizamos el riesgo empírico sobre los datos que sí tenemos:

$$\hat R(h) = \frac{1}{n}\sum_{i=1}^{n}\ell\big(h(\mathbf{x}_i), y_i\big)\qquad\text{(ERM: empirical risk minimization)}$$

Toda la tensión del curso está aquí: minimizamos $\hat R$ (lo que vemos) pero nos importa $R$ (lo que no vemos). La diferencia es la generalización.

🏢

Caso de uso · inmobiliarioDel problema de negocio al problema de ML: alquileres en Lima

Una inmobiliaria quiere sugerir el precio de alquiler de cada departamento nuevo. Antes de elegir un algoritmo, se traduce el problema:

Pregunta	Respuesta
T (tarea)	predecir el alquiler mensual (S/) de un departamento
P (medida)	error típico en soles en departamentos nuevos: RMSE o MAE sobre un test set
E (experiencia)	5 000 anuncios pasados con área, cuartos, distrito, antigüedad y su alquiler real
Tipo	supervisado, regresión (el target es un número)
Riesgo principal	que el modelo memorice anuncios repetidos o que un distrito «se filtre» entre train y test

Cada fila del CSV es un ejemplo $(\mathbf{x}_i, y_i)$; las columnas área, cuartos… son las features $\mathbf{x}$; el alquiler es $y$. Es exactamente el dataset sintético make_apartments que usan los notebooks 01a–01e.

Anatomía de un problema de aprendizaje

Término	Símbolo	Ejemplo (dígitos 8×8)
Features / entrada	$\mathbf{x}\in\mathcal X$	los 64 píxeles
Target / etiqueta	$y$	el dígito 0–9
Dataset	$\mathcal D=\{(\mathbf{x}_i,y_i)\}_{i=1}^n$	1797 imágenes etiquetadas
Modelo	$\hat y = h_\theta(\mathbf{x})$	una función con perillas $\theta$
Pérdida	$\ell(\hat y, y)$	costo de un error
Entrenar vs inferir	ajustar $\theta$ vs predecir	girar perillas vs leer la respuesta

Los datos pueden ser estructurados (una tabla: cada fila un ejemplo, cada columna una feature, el orden de filas no importa) o no estructurados (una imagen es un tensor $\mathbb{R}^{H\times W\times 3}$ donde la disposición espacial sí importa). La lógica train/val/test es idéntica en ambos casos.

Los paradigmas

Semi- y auto-supervisado quedan en medio (el motor de los LLM). La regresión es supervisada (y continuo); el clustering es no supervisado; RL aprende actuando, no de un dataset fijo.

Subtipo	Hace	Ejemplos
Regresión	predice un número	precio de casas, demanda
Clasificación	predice una categoría	spam, enfermedad en un escáner
Clustering	agrupa ítems similares	segmentos de clientes, anomalías
Reducción de dimensión	comprime / visualiza	mapas 2-D, compresión
Refuerzo	actúa por recompensa	juegos, robótica

Practica: ¿qué tipo de problema es?

¿Qué tipo de problema es?

0/12 correctas · 0 respondidas Reiniciar

Doce situaciones reales. Para cada una, elige el paradigma. El primer paso de cualquier proyecto es identificar si hay etiquetas y de qué tipo son.

1. Una inmobiliaria quiere estimar el alquiler mensual (en soles) de un departamento a partir de su área, distrito y nº de cuartos.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

2. Un banco decide si aprobar o rechazar una tarjeta de crédito usando el historial de pagos de clientes pasados (que pagaron o no).

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

3. Una tienda online quiere agrupar a sus clientes en «tipos» según su comportamiento de compra, sin tener etiquetas previas.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

4. Un laboratorio tiene 20 000 genes medidos por paciente y quiere visualizarlos en un mapa 2-D para ver estructura.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

5. Un robot aprende a caminar probando movimientos y recibiendo un puntaje según cuánto avanza sin caerse.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

6. Un hospital quiere detectar si una radiografía muestra neumonía, con miles de imágenes ya diagnosticadas por radiólogos.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

7. Una empresa eléctrica predice la demanda de energía (MW) de mañana a partir del clima y la demanda de días anteriores.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

8. Gmail decide si un correo entrante es spam o no.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

9. Una tarjeta detecta transacciones «raras» sin tener ejemplos de fraude etiquetados, solo comparando con el comportamiento típico.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

10. Un programa de ajedrez mejora jugando millones de partidas contra sí mismo, recibiendo +1 al ganar y −1 al perder.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

11. Una app de música comprime cada canción en un vector de 32 números que conserva lo esencial del estilo.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

12. Una aseguradora estima cuántos días de hospitalización tendrá un asegurado según su edad, IMC y antecedentes.

RegresiónClasificaciónClusteringReducción de dim.Refuerzo

Intuición

Supervisado = estudiar con solucionario. No supervisado = ordenar fotos en pilas parecidas sin solucionario. Refuerzo = aprender a jugar recibiendo puntos.

Generalizar es todo el punto

Memorizar las respuestas de entrenamiento no es aprender. Por eso:

1. Se juzga a los modelos con datos no vistos, nunca con los de entrenamiento.
2. Se parte: train (ajustar) / validación (elegir y afinar) / test (nota final, una sola vez).

Nunca evalúes con los datos de entrenamiento. La validación cruzada (sesión 03) reemplaza el bloque de validación por K bloques rotativos.

• Underfitting: el estudiante que solo aprendió «siempre responde C».
• Overfitting: el que memorizó las respuestas exactas del examen del año pasado.
• Lo que queremos: el que aprendió los conceptos.

Juega con el grado del polinomio: el error de entrenamiento siempre baja, pero el de validación hace una U.

Sube el grado… y mira la validación

Datos de sin(2πx) + ruido. El modelo sigue siendo lineal en los pesos: solo añadimos columnas x², x³… a la matriz de diseño. Los puntos llenos entrenan; los huecos validan.

grado del polinomio 1n de entrenamiento 14

Nuevos datosIr al mejor grado según validación

ajuste actualverdad sin(2πx)RMSE trainRMSE validaciónmínimo de validación

RMSE train0.554

RMSE validación0.500

mayor |wⱼ|1.13

diagnósticounderfit

Ambos errores altos: el modelo es demasiado rígido (alto sesgo). Los residuales aún trazan un patrón.

Cómo aprenden los modelos

Entrenar = rodar cuesta abajo en la pérdida. El descenso de gradiente mide la pendiente local y da un paso pequeño en la dirección opuesta; el tamaño del paso es la tasa de aprendizaje (ver matemáticas y descenso de gradiente).

Por qué separar train, validación y test: un ejemplo con números

Un ciclo de modelado honesto, paso a paso

1. Barajar y partir una sola vez. 5 000 anuncios → 3 500 train (70%), 750 validación (15%), 750 test (15%). La partición se congela.
2. Ajustar en train. Se entrenan una regresión lineal y un árbol: RMSE de train = S/ 210 y S/ 15. El árbol parece genial…
3. Comparar en validación. RMSE de validación = S/ 230 (lineal) y S/ 410 (árbol). El árbol memorizó: la brecha 15 → 410 es overfitting. Se elige el lineal (o se poda el árbol).
4. Afinar en validación, nunca en test: por ejemplo, el λ de ridge. Cada decisión «mira» la validación, así que su score se vuelve un poco optimista.
5. Medir una sola vez en test. RMSE de test = S/ 236: esa es la cifra que se reporta, porque el test no influyó en ninguna decisión.
6. Si después «arreglas algo» mirando el test, el test se contamina (data leakage) y ya no tienes una estimación honesta.

← AnteriorSiguiente paso →Ver todoReiniciar

El flujo de trabajo

La mayor parte del esfuerzo está en obtener y limpiar datos, no en el algoritmo: más datos y mejores features suelen ganarle a un modelo más sofisticado.

Ética y ML responsable

• Sesgo y equidad: los modelos amplifican los sesgos de los datos → mide por grupos.
• Privacidad: los datos pueden memorizarse y filtrarse → recolecta lo mínimo.
• Transparencia: las personas merecen saber por qué y poder impugnarlo.
• Responsabilidad: humano en el circuito para decisiones de alto impacto.
• Robustez y costo: fallas, entradas adversarias, energía, mal uso.

«Un modelo es un espejo de sus datos. No preguntes solo ¿podemos? sino ¿debemos?, y qué pasa cuando se equivoca.»

Autoevaluación

0/5 correctas · 0 respondidas Reiniciar

1. En clasificación, el target $y$ es un valor continuo que puede tomar cualquier número real.

a) Verdaderob) Falso

2. Para un filtro de spam (Mitchell), ¿qué afirmación es FALSA?

a) T: etiquetar cada correo como spam o hamb) P: porcentaje de correos bien clasificadosc) E: los correos etiquetados por los usuariosd) E es el algoritmo de entrenamiento y P el nº de parámetros

3. ¿Qué afirmación sobre paradigmas es VERDADERA?

a) El clustering es no supervisado: agrupa sin usar etiquetasb) La regresión es no supervisada porque predice un númeroc) El aprendizaje por refuerzo aprende de un dataset fijo de pares entrada–respuestad) La reducción de dimensionalidad es supervisada, igual que la clasificación

4. Afinas un hiperparámetro mirando el error del test set y reportas ese mismo error como nota final. ¿Qué ocurre?

a) Nada, es la práctica estándarb) Data leakage: la nota final queda optimistac) El modelo tendrá más sesgod) El error de entrenamiento sube

5. Un modelo tiene error de entrenamiento 0.01 y de validación 0.9. Diagnóstico:

a) Underfitting (alto sesgo)b) Overfitting (alta varianza)c) Buen ajusted) Falta de datos de test

↔ Conexiones con otros temas

Sesgo–varianzaUnder/overfitting hechos precisos: error = sesgo² + varianza + ruido.Validación cruzadaEl bloque de validación, rotado K veces para no depender de la suerte.Regresión linealEl primer caso concreto de ERM: pérdida cuadrática y modelo lineal.MétricasQué es P cuando la accuracy no alcanza (clases desbalanceadas).

En código (scikit-learn)

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 70 / 15 / 15: primero se separa el test y no se vuelve a tocar
X_tmp, X_test, y_tmp, y_test = train_test_split(X, y, test_size=0.15, random_state=0)
X_tr, X_val, y_tr, y_val = train_test_split(X_tmp, y_tmp, test_size=0.15 / 0.85, random_state=0)

model = LinearRegression().fit(X_tr, y_tr)                  # E: aprender de train
rmse_val = mean_squared_error(y_val, model.predict(X_val)) ** 0.5   # elegir / afinar
# ... comparar modelos con rmse_val ...
rmse_test = mean_squared_error(y_test, model.predict(X_test)) ** 0.5  # UNA vez, al final

Para profundizar

interactivoR2D3 · A visual introduction to MLClásico: casas de SF vs NY clasificadas con un árbol, con scroll animado.interactivoMLU-Explain · Train/Test/ValidationPara qué sirve cada partición y cómo se filtra información.demoTensorFlow PlaygroundEntrena un clasificador en vivo; con 0 capas ocultas es una regresión logística.cursoGoogle ML Crash CourseMódulos cortos con ejercicios: regresión, clasificación, métricas, regularización.

Fuente ·ML_Course_Introduction.pdf (Lecture 01) · ML_Course/session-01a…01e.ipynb · BANCO_DE_PREGUNTAS_ML_PART_1.pdf