Son las notas de un curso universitario: regresión y sus variantes, clasificación, modelos generativos, máquinas de vectores de soporte, teoría del aprendizaje, métodos no supervisados y una parte de aprendizaje por refuerzo. Todo con la matemática delante. Se leen con lápiz o no se leen.
Qué me llevé
El diagnóstico entre sesgo y varianza, que es lo más útil que me ha dado cualquier material sobre este tema. Cuando un modelo no sirve, hay dos causas distintas con remedios opuestos: o es demasiado simple para el problema, o aprendió de memoria los datos que vio. Distinguirlas decide si hay que conseguir más datos —caro y lento— o cambiar el enfoque —barato—. Sin ese diagnóstico, la conversación termina siempre en pedir más datos, que es la respuesta cómoda.
La segunda cosa es entender qué hace una biblioteca cuando uno llama a una función de tres palabras. No hace falta derivarlo todo cada vez, pero haberlo hecho una vez cambia cómo se leen los resultados y qué tan rápido uno sospecha de un número demasiado bueno.
Y la tercera: la regularización como forma de decirle al modelo que prefiera lo simple. Es el mismo principio que aplico al diseñar una solución: entre dos que explican lo mismo, la más simple se mantiene sola.
Qué dejé fuera
Casi todo lo operativo, porque no está: no hay datos sucios, ni costos, ni puesta en producción, ni un cliente esperando. Y el material es de otra época en su énfasis. Lo que se mantiene intacto es la estadística de fondo, que es lo que hoy casi nadie repasa y lo que separa a quien usa herramientas de quien entiende lo que le devuelven.