Entrenar un modelo es solo el comienzo. En este episodio te contamos cómo construir pipelines de Machine Learning y llevarlos al siguiente nivel con MLOps, la práctica que conecta la ciencia de datos con la ingeniería para automatizar, desplegar y monitorear modelos en producción.

Aprenderás qué herramientas se usan (Airflow, MLflow, Docker, Kubernetes), cómo mantener modelos actualizados y cómo evitar el caos de los “notebooks eternos”.

Si quieres que tus modelos no se queden en el laboratorio, sino que generen valor real en el negocio, este episodio es para ti.

Un modelo que predice bien no siempre es suficiente. Si no podemos explicar sus resultados, nadie lo va a usar con confianza.

En este episodio hablamos de explicabilidad en machine learning: qué es, por qué es tan importante y cómo herramientas como LIME y SHAP nos ayudan a entender qué está pasando dentro de un modelo.

Si quieres que tus modelos no solo acierten, sino que también inspiren confianza y decisiones reales en el negocio, este episodio es para ti.

Dos enemigos clásicos de cualquier modelo: overfitting y underfitting. Uno aprende demasiado y falla en lo nuevo; el otro aprende tan poco que no sirve ni en lo viejo.

En este episodio explicamos qué son, cómo detectarlos y qué estrategias usar para mantener el equilibrio. Desde analogías simples hasta ejemplos reales en retail y finanzas, te mostramos cómo lograr que tu modelo generalice de verdad.

Si quieres que tu modelo no solo luzca bien en papel, sino que funcione en el mundo real, este episodio es para ti.

Todos los días producimos toneladas de texto: correos, redes sociales, mensajes. El Procesamiento de Lenguaje Natural (NLP) es el área que permite a las máquinas analizar y comprender ese lenguaje.

En este episodio explicamos desde las técnicas clásicas como Bag of Words y TF-IDF, hasta los primeros modelos de análisis de sentimientos y clasificación de texto, abriendo la puerta a los avances modernos como embeddings y Transformers.

Si quieres descubrir cómo los datos en texto se transforman en conocimiento, este episodio es para ti.

Volviendo a los inicios, aquí está la esencia de todo: la inteligencia artificial y la ciencia de datos. No son lo mismo, pero se complementan de tal forma que hoy están transformando la manera en que vivimos, trabajamos y nos comunicamos.

En este episodio exploramos cómo se conectan, qué aplicaciones reales tienen en retail, salud, finanzas, transporte y creatividad, y también los desafíos éticos que enfrentamos con su uso.

Si quieres entender de qué se trata realmente todo esto y por qué esta dupla es el motor de la cuarta revolución industrial, este episodio es para ti.

Un modelo demasiado flexible termina “aprendiéndose de memoria” los datos y falla al generalizar. Eso es el temido overfitting.

En este episodio te contamos cómo la regularización (Ridge, Lasso y ElasticNet) ayuda a controlar ese problema, seleccionando variables y simplificando modelos para que sean más robustos.

Si quieres que tus predicciones funcionen también en el mundo real, este episodio es para ti.

¿Sabías que detrás de cada modelo de machine learning hay un pequeño algoritmo empujando para que aprenda? Ese algoritmo se llama Gradiente Decreciente.

En este episodio te explicamos con ejemplos claros cómo funciona, por qué es clave para entrenar desde una simple regresión hasta una red neuronal, y qué errores evitar para que tu modelo realmente aprenda.

Si quieres entender cómo aprenden las máquinas de verdad, este episodio es para ti.

Las redes neuronales son la inspiración detrás de la revolución de la inteligencia artificial. En este episodio te contamos cómo funcionan, por qué se parecen a nuestro cerebro y cómo se usan hoy en día para reconocer imágenes, analizar texto y predecir patrones complejos.

Explicamos sus componentes básicos, el proceso de entrenamiento y ejemplos reales, todo de forma clara y sencilla.

Si quieres entender el corazón del deep learning, este episodio es para ti.

Prophet es el modelo favorito de muchos equipos porque maneja estacionalidades y feriados sin dolor. En este episodio te mostramos cómo aplicar Prophet para pronosticar ventas, planificar inventarios y anticipar picos por quincenas, feriados o campañas.
Aprenderás a preparar tus datos, sumar regresores (promos, precio), ajustar parámetros clave y evaluar el rendimiento con backtesting.
Si trabajas en retail o necesitas pronósticos confiables y rápidos, este episodio es para ti.

En este episodio te mostramos cómo usar ARIMA y SARIMA para pronosticar con precisión basándote en datos históricos. Desde ventas y demanda, hasta temperatura o tráfico web, estos modelos clásicos siguen siendo referentes en la ciencia de datos.

Te explicamos paso a paso cómo funcionan, qué significan sus parámetros, cuándo usar cada uno y cómo aplicarlos en casos reales de negocio.

Si quieres empezar a predecir el futuro con datos, este episodio es para ti.