Actualización: julio de 2026
Presentación¶
Este libro reúne materiales para un curso universitario de Machine Learning con orientación aplicada. Su propósito es conectar la teoría estadística y matemática con la implementación en Python y con la interpretación responsable de los resultados.
Los capítulos combinan explicaciones conceptuales, formulaciones matemáticas, ejemplos computacionales y casos de análisis de datos. El énfasis no está solo en ajustar modelos, sino también en comprender sus supuestos, evaluar su desempeño y reconocer sus limitaciones.
Público objetivo¶
Está dirigido a estudiantes y profesionales interesados en:
Machine Learning;
ciencia de datos;
econometría;
estadística aplicada;
análisis predictivo.
Prerrequisitos¶
Se recomienda contar con conocimientos introductorios de:
Python;
manipulación de datos;
estadística descriptiva;
probabilidad elemental;
álgebra lineal y cálculo.
Algunos de estos prerrequisitos se refuerzan dentro del propio libro. En particular, los fundamentos matemáticos y estadísticos se ampliarán progresivamente en revisiones posteriores.
Referencias académicas¶
La organización y el desarrollo del libro toman como referencias complementarias:
An Introduction to Statistical Learning, with Applications in Python (ISLP), principalmente para la secuencia pedagógica, la relación entre inferencia y predicción, la evaluación estadística y la orientación de los laboratorios aplicados;
materiales de Stanford CS 229 de Afshine y Shervine Amidi, principalmente para la notación matemática, las funciones de pérdida, la optimización, la formulación algorítmica y la identificación de extensiones futuras.
Estas fuentes orientan la revisión, pero el libro conserva una redacción, ejemplos y estructura propios.
Organización del libro¶
El contenido publicado se organiza en siete partes:
Fundamentos computacionales. Introduce Python, la manipulación de datos con pandas y las herramientas de visualización que se utilizan en los capítulos posteriores.
Fundamentos matemáticos y estadísticos. Revisa estadística descriptiva, distribuciones y pruebas de hipótesis como base para la inferencia y el modelado.
Fundamentos y evaluación de Machine Learning. Presenta aprendizaje estadístico, inferencia, predicción, sesgo-varianza y generalización, y luego desarrolla particiones, métricas, validación y selección de modelos.
Aprendizaje supervisado. Reúne fundamentos aplicados y KNN, regresión, selección y regularización, clasificación, árboles y métodos de margen y kernels. La asignación actual es temporal y sus notebooks se revisarán de forma progresiva.
Aprendizaje no supervisado. Aborda primero la reducción de dimensionalidad mediante componentes principales y después métodos de clustering.
Redes neuronales y aprendizaje profundo. Avanza desde una introducción a redes neuronales hasta arquitecturas y procedimientos de entrenamiento más profundos.
Descubrimiento de patrones. Presenta reglas de asociación como contenido complementario orientado a coocurrencias y patrones frecuentes.
Niveles de contenido¶
Durante la revisión editorial, los contenidos podrán clasificarse como:
fundamentales, necesarios para seguir el núcleo del curso;
intermedios, que profundizan modelos y procedimientos;
avanzados, que requieren mayor preparación matemática o computacional;
complementarios, que amplían el curso sin formar parte de su recorrido mínimo.
Esta clasificación se aplicará gradualmente y todavía no constituye una etiqueta formal de cada notebook.
Identidad propia del curso¶
El libro conservará los materiales propios que resulten correctos, útiles y didácticos: ejemplos econométricos, aplicaciones con datos ecuatorianos, casos de empresas, valor agregado bruto y clasificación, además de k-medoides, DBSCAN, reglas de asociación y otros estudios aplicados.
Estado de revisión¶
El libro se encuentra en un proceso progresivo de reorganización, actualización, validación de código, mejora pedagógica y alineación temática con ISLP y CS 229. La estructura visible ya separa los principales paradigmas, pero el contenido interno de los notebooks todavía no ha sido reorganizado de manera definitiva.
DescriptivaRegresion.ipynb y ProbACP.ipynb se mantienen como notebooks históricos o
agregados pendientes de consolidación y no forman parte del índice publicado. Antes de
una eventual eliminación o archivo se revisarán sus contenidos únicos. Asimismo, en una
etapa posterior se evaluará la posible consolidación de RedesNeuronales.ipynb y
AprendizajeProfundo.ipynb.
Líneas futuras¶
Entre las posibles extensiones se encuentran:
fundamentos de álgebra lineal y cálculo para Machine Learning;
optimización avanzada;
modelos no lineales;
modelos de mezcla y algoritmo EM;
análisis de supervivencia;
pruebas múltiples;
teoría del aprendizaje;
modelos secuenciales;
aprendizaje por refuerzo;
interpretabilidad;
equidad y uso responsable;
monitoreo y MLOps.
Estos temas no forman parte todavía del índice porque no existen notebooks consolidados para incorporarlos.
Otros materiales del autor¶
Python¶
R¶
Contacto¶
Correo: vmorales
.ppb@gmail .com
- Machine Learning con Python
- Parte I. Fundamentos computacionales
- Parte II. Fundamentos matemáticos y estadísticos
- Parte III. Fundamentos y evaluación de Machine Learning
- Parte IV. Aprendizaje supervisado
- Parte V. Aprendizaje no supervisado
- Parte VI. Redes neuronales y aprendizaje profundo
- Parte VII. Descubrimiento de patrones