Curso de Scikit-Learn

Comprender la estructura común de los objetos de scikit-learn.

Diferenciar estimadores supervisados, transformadores, meta-estimadores, pipelines y evaluadores.

Usar `fit()` para aprender parámetros desde datos de entrenamiento.

Usar `transform()` para transformar variables de forma reproducible.

Usar `predict()` y `predict_proba()` según el tipo de modelo y problema.

Usar `fit_transform()` de forma correcta en preparación de datos.

Comprender atributos terminados en guion bajo, como `coef_`, `classes_`, `feature_importances_` o `n_features_in_`.

Usar `get_params()` y `set_params()` para configurar modelos y búsquedas de hiperparámetros.

Revisar la representación HTML de estimadores y pipelines para depuración y documentación.

Crear una primera solución end-to-end con partición, modelo, predicción y métrica.

Identificar variables numéricas, categóricas, ordinales, fechas, textos cortos, booleanos y variables objetivo.

Detectar valores perdidos, duplicados, inconsistencias, outliers, clases raras y columnas irrelevantes.

Separar claramente variables predictoras y variable objetivo.

Comprender la diferencia entre limpieza exploratoria y transformaciones que deben vivir dentro de un pipeline.

Aplicar imputación numérica y categórica con estrategias reproducibles.

Escalar variables con StandardScaler, MinMaxScaler, RobustScaler y MaxAbsScaler según el modelo.

Codificar variables categóricas con OneHotEncoder, OrdinalEncoder y estrategias para categorías desconocidas.

Tratar variables de fecha mediante extracción de componentes útiles.

Evitar data leakage al calcular transformaciones usando todo el dataset antes de particionar.

Crear un flujo de preparación replicable para datos de clientes, operaciones, incidencias, ventas o riesgo.

Comprender por qué ColumnTransformer es esencial en datasets con tipos de variables distintos.

Crear pipelines separados para variables numéricas, categóricas, ordinales y derivadas.

Combinar imputación, escalado, codificación y selección de columnas dentro de un único flujo.

Usar `remainder` para descartar o conservar columnas no transformadas.

Nombrar pasos de pipeline para facilitar depuración, búsqueda de hiperparámetros y documentación.

Usar `set_output` para trabajar con salidas tipo DataFrame cuando sea útil para interpretación.

Revisar la interoperabilidad actual con pandas, polars y otros dataframes soportados por el ecosistema.

Usar FeatureUnion o combinaciones de transformadores cuando varias representaciones deben convivir.

Controlar nombres de variables transformadas para análisis posterior de importancia o explicación.

Construir pipelines mantenibles que puedan entrenarse, validarse y guardarse sin pasos manuales fuera del flujo.

Diferenciar clasificación binaria, multiclase y multilabel.

Entrenar modelos de clasificación con LogisticRegression, KNeighborsClassifier, SVC, DecisionTreeClassifier y Naive Bayes.

Aplicar RandomForestClassifier, ExtraTreesClassifier, HistGradientBoostingClassifier y GradientBoostingClassifier.

Interpretar probabilidades, clases, scores, umbrales y decisiones de clasificación.

Elegir algoritmos según tamaño de dataset, dimensionalidad, ruido, interpretabilidad y coste de entrenamiento.

Comparar modelos simples y modelos complejos con la misma estrategia de validación.

Identificar problemas de sobreajuste y subajuste en clasificación.

Ajustar hiperparámetros relevantes sin caer en búsquedas innecesariamente grandes.

Aplicar clasificación a casos empresariales: churn, fraude, priorización comercial, incidencias y riesgo.

Preparar un baseline sólido antes de optimizar modelos más complejos.

Diferenciar problemas de regresión frente a clasificación y forecasting temporal.

Entrenar modelos lineales: LinearRegression, Ridge, Lasso, ElasticNet y SGDRegressor.

Usar KNeighborsRegressor, SVR, DecisionTreeRegressor y modelos basados en ensembles.

Aplicar RandomForestRegressor, ExtraTreesRegressor, GradientBoostingRegressor y HistGradientBoostingRegressor.

Interpretar coeficientes, importancia de variables, residuos y errores de predicción.

Evaluar MAE, MSE, RMSE, R², MAPE y métricas robustas según el contexto de negocio.

Detectar heterocedasticidad, outliers influyentes, errores sistemáticos y segmentos mal predichos.

Transformar variables objetivo cuando hay asimetrías, colas largas o valores extremos.

Aplicar regresión a demanda, costes, tiempos de resolución, ingresos, consumo o riesgo cuantitativo.

Comparar modelos usando validación cruzada y análisis de error por segmento.

Diferenciar train, validation, test, cross-validation, holdout y validación temporal.

Usar train_test_split con estratificación cuando la variable objetivo lo requiere.

Aplicar KFold, StratifiedKFold, GroupKFold, TimeSeriesSplit y ShuffleSplit según el problema.

Elegir métricas de clasificación: accuracy, precision, recall, F1, ROC AUC, PR AUC, log loss y balanced accuracy.

Interpretar matriz de confusión y errores por clase.

Evaluar regresión con MAE, RMSE, R², median absolute error, pinball loss y métricas adaptadas al negocio.

Usar cross_val_score, cross_validate y cross_val_predict con criterio.

Evitar comparar modelos con particiones distintas, métricas incompatibles o datasets contaminados.

Usar intervalos, desviaciones y estabilidad de resultados para no depender de una única partición.

Preparar una estrategia de evaluación defendible para proyectos empresariales.

Comprender qué son hiperparámetros y cómo afectan al rendimiento y la generalización.

Usar GridSearchCV para búsquedas exhaustivas en espacios pequeños y controlados.

Usar RandomizedSearchCV para explorar espacios amplios con menor coste.

Aplicar HalvingGridSearchCV y HalvingRandomSearchCV cuando se busca eficiencia progresiva.

Definir espacios de búsqueda razonables según algoritmo, datos y presupuesto computacional.

Optimizar pipelines completos, incluyendo preprocessing y modelo.

Usar métricas customizadas y scoring múltiple cuando el negocio tiene varios objetivos.

Evitar optimizar sobre el conjunto de test.

Registrar resultados de búsqueda, ranking, parámetros, scores medios, desviación y tiempos.

Seleccionar modelo final considerando rendimiento, interpretabilidad, coste, estabilidad y mantenimiento.

Crear variables derivadas que aporten señal de negocio sin introducir leakage.

Trabajar con fechas, ratios, agregaciones, flags, conteos y transformaciones numéricas.

Aplicar PolynomialFeatures cuando las interacciones aportan valor y el tamaño lo permite.

Usar KBinsDiscretizer, PowerTransformer y QuantileTransformer en escenarios adecuados.

Evaluar variables mediante SelectKBest, SelectPercentile, mutual_info, chi2, f_classif y f_regression.

Aplicar RFE, RFECV, SelectFromModel y selección basada en coeficientes o importancias.

Detectar variables redundantes, correlacionadas, constantes o casi constantes.

Controlar cardinalidad alta en variables categóricas.

Mantener trazabilidad entre variable original, transformación y variable final del modelo.

Documentar variables eliminadas, creadas y seleccionadas con criterio técnico y funcional.

Entender por qué los modelos lineales siguen siendo útiles en entornos empresariales.

Aplicar regresión lineal, Ridge, Lasso y ElasticNet para predicción continua.

Aplicar LogisticRegression para clasificación binaria y multiclase.

Comprender regularización L1, L2 y elastic net como mecanismos de control de complejidad.

Interpretar coeficientes con variables escaladas y codificadas correctamente.

Usar SGDClassifier y SGDRegressor en datasets grandes o aprendizaje incremental.

Ajustar solvers, penalizaciones, tolerancias, iteraciones y class_weight.

Revisar calibración y umbrales en modelos logísticos.

Detectar colinealidad, separación, coeficientes inestables y sensibilidad a outliers.

Usar modelos lineales como baseline, modelo explicable o solución productiva sencilla.

Comprender árboles de decisión como modelos basados en particiones del espacio de variables.

Controlar profundidad, número mínimo de muestras, hojas, criterios y poda.

Interpretar árboles pequeños y sus reglas de decisión.

Aplicar RandomForest para mejorar estabilidad frente a un árbol individual.

Usar ExtraTrees cuando se busca aleatorización adicional y velocidad.

Aplicar GradientBoosting y HistGradientBoosting para problemas tabulares con buen rendimiento.

Configurar learning_rate, max_iter, max_leaf_nodes, regularización y early stopping cuando proceda.

Analizar importancia de variables con cautela, especialmente ante variables correlacionadas o cardinalidad alta.

Comparar ensembles con modelos lineales en calidad, interpretabilidad, coste y mantenimiento.

Usar ensembles en scoring, clasificación, regresión, segmentación supervisada y modelos de riesgo.

Comprender Support Vector Machines para clasificación y regresión en espacios de alta dimensión.

Diferenciar SVC, LinearSVC, SVR, LinearSVR y uso de kernels.

Ajustar C, gamma, kernel y escalado previo en SVM.

Usar KNeighborsClassifier y KNeighborsRegressor cuando la noción de proximidad tiene sentido.

Comprender impacto de escalado, métrica de distancia, número de vecinos y dimensionalidad.

Aplicar Naive Bayes en texto, conteos, clasificación rápida y problemas con independencia aproximada.

Usar GaussianNB, MultinomialNB, ComplementNB y BernoulliNB según los datos.

Identificar cuándo estos métodos son competitivos frente a modelos más complejos.

Evaluar coste computacional, sensibilidad a escala, interpretabilidad y robustez.

Construir comparativas de modelos especializados frente a baselines y ensembles.

Diferenciar aprendizaje supervisado y no supervisado.

Aplicar KMeans, MiniBatchKMeans, AgglomerativeClustering, DBSCAN, HDBSCAN si está disponible y GaussianMixture cuando procede.

Elegir número de clusters con inertia, silhouette, estabilidad, interpretabilidad y criterio de negocio.

Escalar variables antes de clustering cuando la distancia lo requiere.

Interpretar clusters mediante perfiles, centroides, variables relevantes y distribución de segmentos.

Detectar clusters artificiales producidos por escalas, outliers o variables irrelevantes.

Usar clustering para segmentación de clientes, incidencias, productos, comportamiento o procesos.

Diferenciar clustering exploratorio de segmentación accionable.

Crear etiquetas interpretables para negocio sin forzar conclusiones.

Preparar resultados de clustering para dashboards, campañas, priorización o análisis posterior.

Usar PCA para reducir dimensionalidad y analizar estructura de datos.

Interpretar varianza explicada, componentes principales y carga de variables.

Aplicar TruncatedSVD en matrices dispersas o datos textuales.

Usar NMF cuando se buscan componentes no negativos interpretables.

Aplicar KernelPCA, Isomap, MDS, SpectralEmbedding y TSNE en análisis exploratorios específicos.

Diferenciar reducción de dimensionalidad para visualización, compresión, preprocessing o extracción de señal.

Evitar interpretar visualizaciones 2D como pruebas definitivas de estructura real.

Combinar reducción de dimensionalidad con clustering o clasificación cuando aporta valor.

Controlar escalado, aleatoriedad, parámetros y reproducibilidad.

Preparar gráficos y explicaciones comprensibles para perfiles técnicos y de negocio.

Diferenciar outlier, anomalía, novedad, error de dato y caso extremo legítimo.

Aplicar IsolationForest para detectar observaciones atípicas en datos tabulares.

Usar LocalOutlierFactor para anomalías basadas en densidad local.

Aplicar OneClassSVM cuando se modela la frontera de datos normales.

Usar EllipticEnvelope cuando los datos se aproximan a una distribución adecuada.

Ajustar contamination, scores, umbrales y sensibilidad del modelo.

Evaluar anomalías cuando no existe ground truth claro.

Revisar falsos positivos y falsos negativos con conocimiento de negocio.

Aplicar detección de anomalías en fraude, calidad, sensores, operaciones, logs, finanzas o incidencias.

Crear flujos donde la anomalía genera revisión humana, no una decisión automática ciega.

Usar CountVectorizer y TfidfVectorizer para convertir texto en variables numéricas.

Aplicar n-grams, stop words, max_features, min_df, max_df y normalización de texto.

Combinar texto con variables tabulares dentro de un ColumnTransformer.

Clasificar incidencias, tickets, comentarios, emails, reseñas o solicitudes internas.

Usar HashingVectorizer cuando se necesita transformar texto a escala con memoria controlada.

Evaluar modelos lineales, Naive Bayes y SVM sobre texto vectorizado.

Controlar leakage cuando el texto contiene campos derivados del resultado.

Gestionar variables categóricas de alta cardinalidad con estrategias seguras.

Preparar pipelines mixtos con numéricas, categóricas y texto.

Revisar límites de scikit-learn frente a embeddings modernos y modelos de lenguaje.

Identificar problemas de clases desbalanceadas en fraude, churn, riesgo, incidencias o clasificación médica.

Elegir métricas adecuadas: recall, precision, F1, PR AUC, balanced accuracy y coste de error.

Usar class_weight, sample_weight y estrategias de ponderación.

Ajustar umbrales de decisión según coste de falso positivo y falso negativo.

Interpretar curvas ROC, curvas precision-recall y matrices de confusión por umbral.

Calibrar probabilidades con CalibratedClassifierCV cuando la probabilidad se usa para decisión.

Validar calibración con curvas, Brier score y análisis por segmentos.

Evitar optimizar accuracy en problemas donde la clase minoritaria es la relevante.

Diseñar reglas de decisión combinando score, umbral, revisión humana y capacidad operativa.

Documentar el criterio de umbral para negocio, auditoría y mantenimiento.

Diferenciar interpretabilidad global, interpretabilidad local y explicación para negocio.

Analizar coeficientes en modelos lineales y su relación con variables transformadas.

Usar permutation importance para medir impacto de variables sobre el rendimiento.

Interpretar partial dependence plots e individual conditional expectation.

Revisar importancia de variables en árboles y ensembles con cautela.

Detectar variables proxy, sesgos, variables sensibles y señales no deseadas.

Explicar predicciones individuales cuando se usan modelos en decisiones relevantes.

Comparar interpretabilidad de modelos lineales, árboles, ensembles, SVM y pipelines complejos.

Preparar explicaciones comprensibles para usuarios no técnicos.

Documentar límites de interpretabilidad, supuestos y riesgos de lectura incorrecta.

Guardar pipelines entrenados con joblib de forma controlada.

Versionar datos, código, dependencias, parámetros, modelo, métricas y fecha de entrenamiento.

Evitar guardar solo el estimador sin preprocessing, variables y configuración.

Crear scripts reproducibles de entrenamiento, evaluación y scoring.

Usar random_state para controlar aleatoriedad cuando procede.

Gestionar compatibilidad de versiones de scikit-learn al cargar modelos antiguos.

Preparar funciones de inferencia con validación de esquema de entrada.

Crear batch scoring para datasets periódicos.

Exponer modelos mediante API interna cuando el caso lo requiere.

Documentar entrada esperada, salida, límites, métricas, fecha de validez y responsable del modelo.

Diferenciar notebook exploratorio, pipeline reproducible, servicio de scoring y modelo productivo.

Preparar modelos para procesos batch, APIs, aplicaciones internas o dashboards.

Monitorizar calidad de datos de entrada, drift, distribución de variables y tasa de errores.

Comparar predicciones actuales con resultados reales cuando estén disponibles.

Detectar degradación por cambios de mercado, proceso, producto, cliente o fuente de datos.

Definir frecuencia de reentrenamiento, validación y revisión humana.

Crear alertas ante variables faltantes, categorías nuevas, cambios de rango o caída de rendimiento.

Integrar modelos scikit-learn con MLflow, DVC, Airflow, FastAPI, Docker o herramientas corporativas.

Definir owners, documentación, aprobaciones, métricas mínimas y plan de retirada del modelo.

Preparar una guía de gobierno para uso responsable de modelos en entornos empresariales.

Diseñar una solución completa de machine learning con scikit-learn para un caso empresarial realista.

Seleccionar problema de clasificación, regresión, segmentación o detección de anomalías.

Definir objetivo de negocio, variable objetivo, usuarios, restricciones, métricas y criterio de éxito.

Preparar dataset con análisis inicial, calidad de datos, variables relevantes, nulos, outliers y duplicados.

Crear partición train/test adecuada, con estratificación, grupos o enfoque temporal cuando proceda.

Diseñar preprocessing con ColumnTransformer para variables numéricas, categóricas, texto o fechas.

Construir pipeline completo con transformaciones y modelo dentro del mismo flujo.

Entrenar al menos dos modelos baseline y dos modelos candidatos más avanzados.

Evaluar modelos con métricas adecuadas y validación cruzada.

Optimizar hiperparámetros del pipeline completo sin contaminar el conjunto de test.

Analizar errores por clase, segmento, rango, decil o perfil de negocio.

Ajustar umbral o calibrar probabilidades cuando el caso lo requiera.

Revisar interpretabilidad global y local mediante coeficientes, importancias o inspección del modelo.

Seleccionar modelo final justificando rendimiento, estabilidad, interpretabilidad, coste y mantenimiento.

Guardar pipeline entrenado con joblib y preparar script reproducible de inferencia.

Crear documentación técnica con datos, variables, preprocessing, modelos, métricas y decisiones.

Preparar informe ejecutivo con resultados, limitaciones, riesgos, impacto y recomendaciones.

Diseñar plan de despliegue: batch, API, dashboard, notebook operativo o integración interna.

Definir monitorización, reentrenamiento, control de versiones y responsables del modelo.

Presentar la solución final defendiendo calidad, trazabilidad, utilidad de negocio y gobierno.