Data Science para Todos

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.

Si alguna vez te preguntaste qué modelo usan los ganadores de competencias de machine learning, la respuesta casi siempre es Gradient Boosting.

En este episodio te explicamos paso a paso qué lo hace tan especial, cómo funciona, por qué es más preciso que otros modelos, y cómo usar librerías como XGBoost, LightGBM y CatBoost. Casos reales, buenas prácticas y todo lo que necesitas para sacarle el máximo provecho.

Si quieres jugar en las grandes ligas del ML, este episodio es para ti.

Los hiperparámetros pueden ser la diferencia entre un modelo mediocre y uno espectacular. En este episodio te explicamos cómo optimizarlos usando técnicas como Grid Search, Random Search y Bayesian Optimization, con ejemplos prácticos y herramientas fáciles de usar.

Si quieres que tus modelos rindan al máximo, este episodio es para ti.

El accuracy es solo la punta del iceberg. En este episodio te enseñamos cómo evaluar realmente el desempeño de tus modelos de machine learning con las métricas correctas.

Hablamos de precision, recall, F1-score, AUC, R² y más, con ejemplos prácticos y casos reales. Porque no todas las predicciones se miden igual, y usar la métrica equivocada puede costarte caro.

Si quieres que tus modelos hablen con la verdad, este episodio es para ti.

Un modelo que parece perfecto… puede ser una mentira. En este episodio te explicamos por qué la validación es la verdadera prueba de fuego para cualquier modelo de machine learning.

Descubre cómo detectar si tu modelo está sobreajustado, qué métricas elegir según tu objetivo y cómo usar validación cruzada para asegurarte de que tus predicciones sean confiables.

Si quieres modelos que realmente funcionen fuera de tu notebook, este episodio es para ti.