🧠 De lo clásico a las redes neuronales #MLSTART

Cuando se tiene una comprensión básica de los conceptos de aprendizaje automático, uno quiere sistematizar todo: qué tipos de problemas existen, qué modelos usar para cada uno y cómo se relacionan entre sí.

🔹 Para empezar, vale la pena entender los tipos principales de problemas:

- Clasificación - cuando se necesita determinar una categoría (por ejemplo, spam / no spam).
- Regresión - cuando se predice un valor numérico (por ejemplo, el precio de un apartamento).
- Agrupamiento - cuando hay muchos datos pero sin etiquetas, y los datos deben agruparse de alguna manera.

🔹 Luego es lógico pasar a los modelos clave: lineales, árboles, ensembles. Aquí es importante no solo "saber los nombres", sino entender en qué casos cada uno funciona mejor, cómo se entrena, qué datos recibe como entrada, y cuáles son sus fortalezas y debilidades.

📈 Una vez superada esta etapa, se puede avanzar tranquilamente hacia las redes neuronales.

Aquí comienza lo más interesante: cómo se construye una red, cómo se entrena, qué arquitecturas existen y por qué los transformadores se han vuelto tan populares.

💡 En realidad, las redes neuronales no son "algo aparte", sino simplemente una continuación lógica de los algoritmos básicos de aprendizaje automático.

Esta transición gradual, de lo clásico a las arquitecturas modernas, ayuda a no perderse y a abordar conscientemente el siguiente tema: LLM (Grandes Modelos de Lenguaje).

Volver al índice

👩‍💻 Data Flow