Antes de poder entender cualquier técnica específica, necesitas un modelo mental sólido de qué es realmente el machine learning. Este track comienza contrastando el machine learning con la programación tradicional — en lugar de escribir reglas explícitas, alimentas a un sistema con ejemplos y dejas que encuentre los patrones por sí mismo. Aprenderás las tres grandes familias del machine learning — supervised learning, unsupervised learning y reinforcement learning — y cuándo aplica cada una. También aprenderás el vocabulario central del que depende todo modelo: features, labels, y la división crucial entre training data y test data usada para comprobar si un modelo realmente aprendió algo útil. Al terminar reconocerás qué tipo de problema enfrentas y hablarás el lenguaje del machine learning con confianza.

El supervised learning es el motor detrás de la mayoría de las aplicaciones de machine learning del mundo real, y este track construye tu intuición sobre cómo funciona. Aprenderás la división fundamental entre regression, predecir un número, y classification, predecir una categoría, y verás cómo la misma idea subyacente impulsa a ambas. Explorarás linear regression y logistic regression como puntos de partida intuitivos, luego pasarás a decision trees, que imitan la forma en que los humanos toman decisiones paso a paso, y k-nearest neighbors, que predice observando ejemplos pasados similares. A lo largo del track, el foco se mantiene en la intuición y no en las fórmulas — qué está haciendo realmente cada modelo y por qué hace las predicciones que hace. Al terminar reconocerás estos algoritmos por su nombre y entenderás su lógica central.

Construir un modelo es solo la mitad del trabajo — saber si realmente funciona es lo que separa a un modelo útil de uno peligroso. Este track te enseña a evaluar modelos de machine learning como lo hacen los profesionales. Aprenderás por qué dividir los datos en un training set y un test set es esencial, y cómo métricas como accuracy, precision y recall cuentan historias muy distintas sobre el desempeño de un modelo, especialmente cuando las clases están desbalanceadas. Aprenderás a reconocer el overfitting, cuando un modelo memoriza sus datos de entrenamiento en lugar de aprender patrones generales, y el underfitting, cuando un modelo es demasiado simple para captar lo que importa, junto con el bias-variance tradeoff que explica ambos. También aprenderás cross-validation, una forma más confiable de probar un modelo. Al terminar juzgarás la calidad de cualquier modelo con confianza.

No todo el machine learning empieza con respuestas etiquetadas — este track explora qué sucede cuando un modelo debe encontrar estructura por sí mismo, y da tus primeros pasos en el deep learning. Aprenderás clustering, la tarea de agrupar puntos de datos similares, y recorrerás k-means, el algoritmo de clustering más utilizado, para ver cómo descubre grupos sin que se le diga cuáles son. También aprenderás dimensionality reduction, una técnica para simplificar datos complejos preservando lo que más importa. A partir de ahí recibirás una introducción suave e intuitiva a las neural networks — cómo capas de unidades simples se combinan para aprender patrones complejos — y una primera mirada al deep learning, la tecnología detrás de los sistemas de IA más potentes de hoy. Al terminar entenderás estas ideas de forma conceptual, sin necesidad de escribir una sola línea de código.

Entender los algoritmos no es lo mismo que saber cómo construir algo con ellos — este track final conecta la teoría con la práctica. Recorrerás el flujo de trabajo real del machine learning, desde definir un problema y reunir datos hasta entrenar, evaluar y desplegar un modelo. Aprenderás data preparation, limpiar y organizar datos en bruto para que un modelo pueda realmente aprender de ellos, y feature engineering, el arte de convertir información en bruto en las señales que un modelo necesita para tener éxito. Aprenderás a reconocer las trampas que descarrilan proyectos reales — data leakage, muestras sesgadas y métricas engañosas — y terminarás con una mirada clara a la ética del ML, incluyendo cómo el bias se cuela en los modelos y por qué la equidad debe ser una decisión de diseño deliberada, no una ocurrencia tardía. Al terminar verás el camino completo desde datos en bruto hasta un modelo funcional y responsable.