ML Clásico

13 pages in this section.

Por qué el contrato fit/predict/transform de scikit-learn, la división train/test/validation y el trade-off sesgo-varianza son en realidad una idea subyacente: el modelo mental detrás de cada una de las otras páginas de esta sección.

Explainer Python Classical Ml Bias Variance

Conceptos básicos de aprendizaje automático

El flujo de trabajo de ML y la terminología central.

Python Classical Ml Basics Machine

Conjuntos de Datos y Divisiones

Divisiones de entrenamiento/prueba/validación y validación cruzada.

Python Classical Ml Datasets Splits

Ingeniería de características

Codificación, escalado y `ColumnTransformer`.

Python Classical Ml Feature Engineering Preprocessing

Pipelines

Componer preprocesamiento y modelos sin fugas.

Python Classical Ml Pipelines Sklearn

Aprendizaje Supervisado

Algoritmos de regresión y clasificación.

Python Classical Ml Supervised Regression

Evaluación de Modelos

Python Classical Ml Evaluation Metrics

Ajuste de Hiperparámetros

Python Classical Ml Hyperparameters Optuna

Aprendizaje No Supervisado

Python Classical Ml Unsupervised Clustering

Datos Desequilibrados

Python Classical Ml Imbalanced Resampling

Gradient Boosting

Python Classical Ml Xgboost Lightgbm

Mejores Prácticas de Machine Learning

Evitar fugas de datos y construir modelos reproducibles.

Python Classical Ml Best Practices List

Classical ML Highlights Summary

A single-page roundup of every highlight bullet from the 12 pages in the Classical ML section, grouped by source page so you can scan all 49 takeaways without opening each article individually.

Highlights Summary Classical Ml

ML Clásico

Buscar en la documentación

ML Clásico