cd ..
2. ml

Fase 2 · Machine Learning

ML tradicional: del dato al modelo evaluado y confiable.

0/20 ejercicios · 0%
  1. 2.1ML Pipeline — Train / Validation / TestEl flujo correcto de datos: cómo separar, transformar y evaluar sin contaminar.
    0/5 ej.
  2. 2.2Supervised Learning Models — Logistic Regression, Random Forest, XGBoostClasificación vs. regresión, los algoritmos clave y cómo evitar overfitting.
    0/5 ej.
  3. 2.3Model Evaluation — Metrics, Confusion Matrix, Class ImbalanceMás allá del accuracy: elegir la métrica correcta cambia qué modelo construyes.
    0/5 ej.
  4. 2.4Feature Engineering — Encoding, Scaling, Missing Values, Feature SelectionLos datos crudos rara vez son lo que el modelo necesita: transformarlos correctamente define el techo del desempeño.
    0/5 ej.