Fundamentos de Machine Learning

El machine learning impulsa las recomendaciones, los filtros de spam y los asistentes de voz que usas todos los días, pero las ideas detrás de él son más simples de lo que sugiere el bombo publicitario. Este curso construye tu comprensión desde cero, con explicaciones en lenguaje claro e intuición del mundo real en lugar de matemáticas densas o ejercicios de programación. Comenzarás aprendiendo qué es realmente el machine learning y en qué se diferencia de la programación tradicional, enseñar a un sistema con ejemplos en lugar de escribir reglas explícitas, y la diferencia clave entre supervised learning, unsupervised learning y reinforcement learning. A partir de ahí explorarás el supervised learning en profundidad: cómo modelos como linear regression, logistic regression, decision trees y k-nearest neighbors aprenden a predecir resultados a partir de ejemplos etiquetados. Luego aprenderás a saber si un modelo realmente es bueno, divisiones de train/test, accuracy, precision y recall, y las trampas clásicas de overfitting y underfitting que arruinan silenciosamente proyectos reales. Después explorarás el unsupervised learning y recibirás una introducción suave e intuitiva a las neural networks y el deep learning, la tecnología detrás de la IA más avanzada de hoy. Finalmente conectarás todo con la práctica, el flujo completo desde datos en bruto hasta un modelo funcional, feature engineering, errores comunes, y las preguntas éticas que todo profesional debe considerar, como el bias y la equidad. Al terminar pensarás con claridad sobre el machine learning, entenderás qué pueden y qué no pueden hacer estos modelos, y estarás listo para profundizar en cualquier técnica específica con confianza.