Recursos web recomendados

Todos los enlaces fueron verificados (septiembre 2026). Cada página de teoría ya enlaza los que le corresponden; aquí están todos juntos.

Visualizaciones interactivas

Explicaciones que se animan al hacer scroll. Complementan muy bien los simuladores de esta web.

interactivoR2D3 · A visual introduction to MLClásico: casas de SF vs NY clasificadas con un árbol, con scroll animado.interactivoR2D3 · Model tuning & bias–varianceSegunda parte: profundidad del árbol, sobreajuste y sesgo–varianza.interactivoMLU-Explain · Linear RegressionRecta, residuales y MSE con animaciones al hacer scroll.interactivoMLU-Explain · Bias–VarianceEl trade-off sesgo–varianza con modelos que se reentrenan en vivo.interactivoMLU-Explain · Train/Test/ValidationPara qué sirve cada partición y cómo se filtra información.interactivoMLU-Explain · Cross-ValidationK-fold, leave-one-out y por qué rotar el bloque de validación.interactivoMLU-Explain · Logistic RegressionSigmoide, log-odds y log-loss dibujados paso a paso.interactivoMLU-Explain · Precision & RecallMueve el umbral y mira cómo cambian precision y recall.interactivoMLU-Explain · ROC & AUCLa curva ROC construida umbral por umbral.interactivoMLU-Explain · Decision TreesEntropía, ganancia de información y crecimiento del árbol.interactivoMLU-Explain · Random ForestEl siguiente tema: promediar árboles para bajar la varianza.interactivoMLU-Explain · Double DescentQué pasa más allá de la curva en U (lectura opcional, fuera del parcial).demoTensorFlow PlaygroundEntrena un clasificador en vivo; con 0 capas ocultas es una regresión logística.interactivoSeeing Theory (Brown)Probabilidad y estadística visual: esperanza, varianza, distribuciones.interactivoSeeing Theory · Bayesian inferenceTeorema de Bayes, prior y posterior con visualizaciones de Brown University.

Videos

videoStatQuest · índice de videosJosh Starmer explica cada tema del curso con dibujos; busca el tema en el índice.videoStatQuest · Gradient Descent, Step-by-Step24 min: descenso de gradiente sobre una recta, a mano.videoStatQuest · SVM Part 1: Main IdeasMargen máximo, margen suave y la intuición de los kernels.videoStatQuest · lista SVMLas tres partes: ideas, kernel polinómico y kernel RBF.videoStatQuest · Decision and Classification TreesGini, cómo elegir el primer split y cuándo parar.video3Blue1Brown · Essence of linear algebraMatrices como transformaciones, producto punto, eigenvectores: la base visual.video3Blue1Brown · Bayes theoremBayes con frecuencias naturales: el mismo truco del árbol de 10 000 personas.

Libros y apuntes gratuitos

libroISLR / ISLP (James et al.)Libro gratis, citado en las slides. Cap. 3, 4, 5, 6, 8 y 9 cubren todo el parcial.libroMathematics for Machine LearningDeisenroth, Faisal y Ong: el libro de la sesión de fundamentos (gratis).apuntesStanford CS229 · Lecture notesNotas de Andrew Ng: GLMs, modelos generativos, SVM y kernels con derivaciones.libroBoyd & Vandenberghe · Convex OptimizationCap. 5: dualidad y KKT (la base del SVM dual). Gratis en la web.cursoGoogle ML Crash CourseMódulos cortos con ejercicios: regresión, clasificación, métricas, regularización.

Qué leer de ISLR para el parcial

Cap. 2 (sesgo–varianza), cap. 3 (regresión lineal), cap. 4 (logística, LDA, QDA, Naive Bayes, matriz de confusión y ROC), cap. 5 (validación cruzada), cap. 6 (ridge y lasso), cap. 8 (árboles) y cap. 9 (SVM y kernels). Es el libro más cercano al nivel del curso.

Documentación práctica (scikit-learn)

docsscikit-learn · Linear modelsOLS, Ridge, Lasso, LogisticRegression: fórmulas y parámetros reales.docsscikit-learn · Cross-validationKFold, cross_val_score, GridSearchCV y el diagrama de partición.docsscikit-learn · Model evaluationPrecision, recall, F1, ROC-AUC y cómo elegir la métrica.docsscikit-learn · Naive BayesGaussianNB, BernoulliNB, MultinomialNB y el suavizado α.docsscikit-learn · LDA y QDAFormulación matemática y comparación gráfica de fronteras.docsscikit-learn · SVMSVC, kernels, C y γ, one-vs-one; incluye la formulación del dual.docsscikit-learn · Kernel ridgeKernel ridge regression vs SVR, con el mismo seno de la clase.docsscikit-learn · Decision treesCART, criterios, ccp_alpha y la poda por costo-complejidad.docsscikit-learn · Cost-complexity pruningEjemplo oficial: la ruta de α y la elección por validación.

Material del curso

Los notebooks prácticos del curso (lessons/ML_Course) replican desde cero, en NumPy, cada idea de estas páginas y la comparan con scikit-learn:

Sesión	Notebooks
01 · Introducción	01a datos estructurados · 01b no estructurados · 01c EDA y limpieza · 01d train/val/test · 01e primer pipeline
02 · Regresión lineal	02a modelo y costo · 02b ecuaciones normales · 02c descenso de gradiente · 02d evaluación y complejidad
03 · Regularización	03a sesgo–varianza · 03b ridge y lasso · 03c selección con CV
04 · Logística	04a modelo · 04b entrenamiento desde cero · 04c evaluación · 04d softmax
05 · Generativos	05a Gaussian NB · 05b LDA/QDA · 05c comparación
06–07 · SVM y kernels	06a margen y margen suave · 06b dual y kernel trick · 07 kernels en práctica