Curso de Machine Learning
Presentación del curso y motivación
Machine Learning (ML) se ha convertido en una herramienta central para la investigación moderna: permite construir modelos que aprenden patrones a partir de datos y generalizan a escenarios nuevos, con aplicaciones que van desde ciencias naturales y salud hasta industria, finanzas y políticas públicas. Este curso está diseñado para doctorado con un enfoque riguroso y práctico: además de entrenar modelos, discutiremos criterios de evaluación, fuentes de sesgo, diseño experimental con datos, validación robusta y reproducibilidad computacional.
Más que una colección de algoritmos, el curso enfatiza el ciclo completo: formulación del problema, diseño del dataset (y sus limitaciones), preprocesamiento y pipelines, entrenamiento, evaluación honesta, ajuste, interpretación y finalmente despliegue y comunicación científica de resultados.
Novedad e importancia
El énfasis del curso no es “correr modelos”, sino entender:
- qué hipótesis estadística / geométrica está detrás de cada algoritmo,
- cómo se comportan los métodos bajo ruido, desbalance, shift de distribución y data leakage,
- y cómo reportar resultados con prácticas reproducibles (notebooks, control de versiones, reportes claros).
La meta es que el estudiante pueda defender decisiones metodológicas con rigor, y no solo presentar métricas “altas”.
Objetivos del curso
- Construir una base sólida sobre aprendizaje supervisado, no supervisado y por refuerzo (visión general).
- Dominar el flujo de trabajo en ML con énfasis en validación, métricas y control de sobreajuste.
- Implementar modelos fundamentales (regresión lineal/logística, árboles, ensambles, SVM, ANN) y comprender sus supuestos.
- Aplicar métodos no supervisados (K-Means, PCA, DBSCAN) y evaluar calidad de clusters.
- Realizar optimización de hiperparámetros de manera reproducible (Grid/Random y, opcionalmente, bayesiana).
- Preparar un entregable final con estándares de investigación: reporte, repositorio reproducible y (si aplica) demo de despliegue.
Metodología del curso
El curso se organiza en 16 semanas, con un máximo de 1 notebook por semana (ocasionalmente 2 si es imprescindible separar teoría + laboratorio extenso). Cada notebook es un módulo autocontenido con:
- objetivo y preguntas guía,
- dataset (simulado y/o real) + EDA mínima,
- baseline + pipeline (split + preprocesamiento),
- modelo(s) y diagnóstico,
- evaluación (métricas + gráficos),
- ejercicios propuestos.
Se espera trabajo continuo y acumulativo: los notebooks alimentan el proyecto final, que integra todas las etapas del ciclo de vida del modelo.
Evaluación (sugerencia)
| Componente | Peso | Descripción |
|---|---|---|
| Quizzes / controles cortos | 15% | Conceptos y lectura crítica (métricas, validación, supuestos) |
| Notebooks semanales (mini–labs) | 35% | Ejecución + interpretación + ejercicios (reproducibles) |
| Tarea de evaluación robusta | 15% | CV, comparación de modelos, y reporte de incertidumbre |
| Proyecto final | 35% | Repositorio, reporte, presentación y discusión |
Cronograma y notebooks (16 semanas)
Regla: 1 notebook por semana. Solo se usan 2 cuando el laboratorio es largo (marcado como “Opcional B”).
| Semana | Notebook | Tema central | Descripción (temas de la semana) |
|---|---|---|---|
| 1 | Notebooks/ML_01_workflow.ipynb |
Introducción + workflow | Qué es ML; tipos (sup/no sup/refuerzo); flujo de trabajo; splits; leakage; baseline. |
| 2 | Notebooks/ML_02_preprocessing.ipynb |
Preprocesamiento | Limpieza; faltantes; escalado; one-hot; desbalance; Pipeline + ColumnTransformer. |
| 3 | Notebooks/ML_03_metrics_general.ipynb |
Métricas (panorama) | MAE/RMSE/R²; accuracy/precision/recall/F1; ROC/PR; calibración básica; umbrales. |
| 4 | Notebooks/ML_04_linear_ridge_lasso.ipynb |
Regresión lineal + regularización | OLS vs GD (visión); Ridge/Lasso; sesgo-varianza; selección de (\lambda). |
| 5 | Notebooks/ML_05_logistic_calibration.ipynb |
Regresión logística | Sigmoide; log-loss; matriz de confusión; umbral por costos; calibración y Brier (si aplica). |
| 6 | Notebooks/ML_06_knn_cv.ipynb |
KNN | Distancias; necesidad de escalado; elección de (k); validación cruzada; sensibilidad. |
| 7 | Notebooks/ML_07_trees.ipynb |
Árboles | Splits (Gini/MSE); sobreajuste; poda implícita con max_depth; interpretabilidad. |
| 8 | Notebooks/ML_08_random_forest.ipynb |
Random Forest | Bagging; reducción de varianza; OOB (si se usa); importancias; estabilidad. |
| 9 | Notebooks/ML_09_svm.ipynb |
SVM | Márgenes; kernel trick (visión); (C), (\gamma); tuning mínimo; ROC/PR. |
| 9B (opc.) | Notebooks/ML_09B_svm_kernels.ipynb |
SVM kernels (profundización) | Comparación de kernels y frontera; sensibilidad a hiperparámetros; buenas prácticas. |
| 10 | Notebooks/ML_10_ann_mlp.ipynb |
Redes neuronales (ANN) | MLP; backprop (conceptual); regularización (early stopping/dropout); curvas de aprendizaje. |
| 11 | Notebooks/ML_11_kmeans.ipynb |
K-Means | Objetivo; inicialización; elección de (k); elbow y silhouette; interpretación de clusters. |
| 12 | Notebooks/ML_12_pca.ipynb |
PCA | Varianza explicada; proyección; reconstrucción; PCA como preprocesamiento para clustering. |
| 13 | Notebooks/ML_13_dbscan_tsne.ipynb |
DBSCAN + visual | Densidad; elección de eps; clusters no convexos; t-SNE como visualización (no métrica). |
| 14 | Notebooks/ML_14_cv_robust_eval.ipynb |
Evaluación robusta | K-fold/Stratified; Pipeline + CV; comparación por media±std; errores comunes. |
| 15 | Notebooks/ML_15_tuning_grid_random.ipynb |
Tuning | Grid vs Random; espacio de búsqueda; overfitting al validation; reporte reproducible. |
| 15B (opc.) | Notebooks/ML_15B_bayes_opt.ipynb |
Bayes opt (Optuna) | Optimización bayesiana; pruning; cuándo sí/cuándo no; comparación con Random. |
| 16 | Notebooks/ML_16_deploy_checklist.ipynb |
Despliegue + cierre | Serialización; API mínima; consideraciones de monitoreo; checklist de producción; cierre del proyecto. |
La Comunicación de la Ciencia
La comunicación de la ciencia es tan clave como la obtención de resultados. De poco sirven los resultados si los pares y la comunidad no logran captar su importancia. Durante este curso haremos ejercicios de cómo expresarnos en tres géneros de la comunicación científica:
- Propuestas y reportes de investigación
- Presentaciones de ideas o proyectos científicos
- Poster o carteles para presentar resultados científicos
Una referencia que recomiendo ampliamente para entender que las ideas no bastan es el escrito de Deconinck, K. (2015). Trust me, I’m a doctor: a PhD survival guide. Journal of Economic Education, 46(4), 360-375. Deconinck, K. (2015). Una maravilla para entender que las ideas no bastan.
Proyecto final (Unidad 7)
El proyecto integra todo el ciclo de vida del modelo: datos → preprocesamiento → modelado → evaluación → (opcional) despliegue.
Entregables mínimos
- Repositorio con estructura limpia y reproducible (README + instrucciones).
- Notebook principal del experimento (pipeline completo).
- Reporte (4–8 páginas o equivalente):
- problema, dataset, limitaciones,
- metodología,
- evaluación (métricas + gráficos),
- análisis de errores,
- discusión crítica.
- Presentación (10–12 min) + preguntas.
Datasets recomendados (para prácticas)
- UCI Machine Learning Repository: https://archive.ics.uci.edu/
- OpenML: https://www.openml.org/search?type=data
- Kaggle Datasets: https://www.kaggle.com/datasets
- Hugging Face Datasets: https://huggingface.co/datasets
- Datos Abiertos Colombia: https://www.datos.gov.co/