ML Clásico - Supervisado & No Supervisado

Qué dominarás.

Objetivo de aprendizaje: Construir, evaluar y afinar modelos de ML clásico de nivel producción · regresión, clasificación, ensembles/boosting, clustering y reducción de dimensión · con feature engineering riguroso y validación honesta.

• Supervisado I: regresión lineal/logística, regularización y métricas (ROC-AUC, PR, F1)
• Árboles, Random Forests y bagging
• Boosting a fondo: XGBoost, LightGBM, CatBoost y tuning de hiperparámetros
• No supervisado: K-Means, DBSCAN/HDBSCAN, GMM, PCA, t-SNE/UMAP y detección de anomalías
• Feature engineering, validación robusta (purged/embargoed CV) e interpretabilidad (SHAP)