D

Glosario

95 conceptos que tienes que tener en la cabeza

Cada termino esta definido en su contexto y enlazado desde los capitulos donde se usa.

Dificultad: introductorio intermedio avanzado

M0 Fundamentos para Machine Learning

Tipado dinamico

I

Modelo de Python en el que el tipo se asocia al valor en tiempo de ejecucion y no necesita declararse antes de asignar una variable.

Ej: precio = 19.99 crea una variable float sin declarar el tipo.

f-string

I

Cadena formateada que permite insertar expresiones de Python dentro de llaves y controlar su presentacion.

Ej: f"Total: ${total:.2f}"

Guard clause

I

Validacion temprana que resuelve un caso borde y retorna antes de ejecutar la logica principal.

Ej: if not valores: return 0

Modelo relacional

I

Forma de organizar datos en tablas relacionadas mediante filas, columnas y claves.

NULL en SQL

I

Valor que representa un dato desconocido o ausente. No equivale a cero ni a una cadena vacia y se consulta con IS NULL.

GROUP BY

I

Clausula SQL que agrupa filas para aplicar funciones de agregacion como SUM, COUNT o AVG.

HAVING

I

Clausula que filtra grupos despues de una agregacion. WHERE filtra filas antes de agrupar.

Problem statement

I

Descripcion verificable del problema de negocio, el objetivo, el target, las restricciones y la metrica de exito.

Variable objetivo (target)

I

Variable que un modelo intenta predecir o explicar. Debe tener una definicion operativa y un horizonte temporal claros.

M1 Fundamentos de Bases de Datos

Esquema relacional

I

Definicion estructural de tablas, columnas, tipos, restricciones y relaciones de una base de datos.

DML

I

Data Manipulation Language: conjunto de sentencias para consultar y modificar datos, principalmente SELECT, INSERT, UPDATE y DELETE.

DCL

I

Data Control Language: sentencias para administrar permisos y acceso a datos, como GRANT y REVOKE.

Normalizacion

I

Proceso de organizar tablas para reducir redundancia y evitar dependencias incorrectas, usando formas normales.

SQLite

I

Motor de base de datos relacional embebido, sin servidor, que almacena una base completa en un archivo local.

Pipeline de datos

I

Secuencia reproducible de pasos para extraer, transformar, validar y entregar datos a un consumidor o modelo.

Aprendizaje supervisado

I

Tipo de Machine Learning que aprende una relacion entre variables de entrada y una etiqueta objetivo conocida.

Aprendizaje no supervisado

I

Tipo de Machine Learning que busca estructura o patrones en datos sin una etiqueta objetivo proporcionada.

M3 Introducción a Machine Learning y Data Acquisition I

Ciclo de vida de Machine Learning

I

Secuencia iterativa que va de la pregunta de negocio a la adquisicion, preparacion, modelado, evaluacion y despliegue. Cada etapa condiciona la siguiente y la evaluacion puede obligar a volver a los datos.

Data acquisition

I

Proceso de obtener datos desde una fuente externa (archivo, API, base) y dejarlos disponibles para validar, transformar y analizar dentro del pipeline.

Ej: Leer ventas_mensuales.csv con pandas y configuracion_tienda.json con json.load registrando origen y encoding.

Imputación por mediana

I

Reemplazo de valores faltantes numéricos por la mediana de la columna. Es robusta a valores extremos, a diferencia de la media.

Ej: gasto_mensual con valores [150, 250, 300, 400, 50000] → mediana 300, media 10220.

train_test_split

I

Función de scikit-learn que divide un dataset en conjuntos de entrenamiento y prueba. test_size controla la proporción y random_state garantiza reproducibilidad.

Ej: train_test_split(X, y, test_size=0.2, random_state=123) → 80% train, 20% test reproducibles.

Data leakage

I

Fuga de información del conjunto de test o del futuro hacia el entrenamiento. Produce métricas artificialmente optimistas que colapsan en producción.

Ej: Calcular la mediana o ajustar un scaler sobre todo el dataset antes de separar train/test.

pathlib.Path

I

Módulo de Python para manejar rutas de archivos de forma portable entre sistemas operativos. Evita rutas absolutas hardcodeadas y resuelve separadores automáticamente.

Ej: Path("data") / "ventas.csv" en lugar de "C:\\Users\\...\\ventas.csv"

M5 Pipelines y optimización de datos

ETL

I

Patrón de integración que extrae datos de una fuente, los transforma y carga el resultado en un destino analítico o de consumo.

Ej: leer_fuentes() → corregir_tipos() → limpiar → exportar_parquet()

ELT

I

Estrategia que extrae y carga primero el dato, dejando la transformación dentro del motor de destino.

Ej: Conservar datos raw en un lake y ejecutar transformaciones SQL dentro del warehouse.

Idempotencia

I

Propiedad de una ejecución que permite repetirla con las mismas entradas sin duplicar efectos ni cambiar el resultado esperado.

Ej: Regenerar ventas_procesadas.parquet desde las mismas fuentes sin agregar filas duplicadas.

Vectorización

I

Aplicación de una operación sobre una serie o bloque de datos mediante primitivas optimizadas, evitando loops Python innecesarios.

Ej: df['total_venta'] = df['cantidad'] * df['precio_unitario']

Polars

I

Biblioteca de DataFrames orientada a expresiones, escrita en Rust y diseñada para ejecutar operaciones tabulares de forma paralela y eficiente.

Ej: pl.scan_parquet("data/ventas.parquet").filter(...).collect()

Evaluación lazy

I

Modelo que acumula operaciones como un plan y las ejecuta después, permitiendo optimizar columnas, filtros y lecturas antes de materializar el resultado.

Ej: scan_csv(...).select(...).filter(...).collect()

M6 SQL y DuckDB para análisis de datos

SQL declarativo

I

Lenguaje en el que se expresa el resultado deseado y el motor decide el plan físico para obtenerlo.

Ej: SELECT region, AVG(ventas) FROM ventas GROUP BY region;

DuckDB

I

Motor SQL analítico embebido y orientado a columnas, capaz de consultar archivos CSV y Parquet directamente desde Python.

Ej: SELECT * FROM 'data/clima.parquet' WHERE temperatura > 30;

Out-of-core

I

Capacidad de procesar datos que superan la memoria RAM mediante bloques y uso eficiente del almacenamiento.

Ej: Calcular un resumen de un Parquet de 10 GB sin materializarlo completo en Pandas.

Plan de ejecución

I

Representación de los pasos que el motor estima necesarios para ejecutar una consulta y obtener su resultado.

Ej: EXPLAIN SELECT AVG(temperatura) FROM clima WHERE estacion = 'A';

Filtrado temprano

I

Estrategia de reducir filas y columnas lo antes posible para disminuir el trabajo posterior de la consulta.

Ej: Aplicar WHERE antes de GROUP BY y seleccionar solo fecha, estación y temperatura.

M7 SQL analítico avanzado e ingeniería de features

Granularidad de una tabla

I

Nivel de detalle representado por una fila, como una orden, una línea de orden o un cliente por mes. Declararla evita duplicar o mezclar métricas al unir tablas.

Ej: orders: una fila por order_id; order_lines: una fila por order_id + product_id.

CTE (Common Table Expression)

I

Etapa de consulta nombrada con WITH, válida durante la sentencia. Facilita separar transformaciones y razonar sobre el grano de cada resultado.

Ej: WITH detalle AS (...) SELECT ... FROM detalle;

Función de ventana

I

Cálculo sobre un conjunto de filas relacionadas que conserva una fila de salida por fila de entrada, a diferencia de GROUP BY.

Ej: SUM(amount) OVER (PARTITION BY customer_id ORDER BY order_date) conserva cada compra y añade el acumulado.

Marco de ventana

A

Subconjunto de filas ordenadas que participa en el cálculo de una función de ventana para la fila actual.

Ej: ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW define un acumulado desde la primera fila hasta la actual.

LAG y LEAD

I

Funciones de ventana que acceden a una fila anterior o posterior dentro del orden definido sin hacer un JOIN de la tabla consigo misma.

Ej: LAG(amount) OVER (PARTITION BY customer_id ORDER BY order_date) permite comparar una compra con la anterior.

Análisis RFM

I

Resumen de comportamiento de clientes basado en recencia, frecuencia y valor monetario dentro de una ventana de observación definida.

Ej: Días desde última compra, cantidad de órdenes en 90 días y gasto total en ese período.

Cardinalidad de JOIN

A

Relación de cantidad de filas entre las tablas que se unen (uno-a-uno, uno-a-muchos o muchos-a-muchos); determina si una unión conserva o multiplica registros.

Ej: Un producto duplicado en la tabla de catálogo puede multiplicar cada línea de orden y sobrestimar ingresos.

M8 Persistencia y automatización de datos

ORM

I

Técnica que mapea tablas y relaciones de una base de datos a clases y objetos del lenguaje de programación.

Ej: Representar cada fila de weather_records con una instancia de WeatherRecord.

SQLAlchemy 2.0

I

Toolkit de SQL y ORM para Python que permite mapear modelos tipados y ejecutar consultas mediante expresiones como select().

Ej: Definir una entidad con Mapped[str] y mapped_column(String(80)).

Engine

I

Objeto de SQLAlchemy que conoce el dialecto de la base de datos y administra las conexiones de la aplicación.

Ej: create_engine("sqlite:///data/warehouse.db")

Session

I

Unidad de trabajo de SQLAlchemy que reúne objetos, consultas y cambios dentro de una o más transacciones.

Ej: Usar with Session(engine) as session: y confirmar cambios dentro de session.begin().

Staging area

I

Zona temporal y aislada en la que los datos extraídos se validan y limpian antes de promoverlos al destino final.

Ej: Guardar un lote crudo, revisar su esquema y cargar únicamente los registros válidos.

Validación de esquema

I

Comprobación de que los datos cumplen tipos, campos obligatorios y restricciones acordados antes de procesarlos o persistirlos.

Ej: Rechazar un registro si score es menor que cero o falta su identificador.

Mínimo privilegio

I

Principio de seguridad que otorga a cada usuario o proceso solo los permisos indispensables para su función.

Ej: Dar SELECT al extractor y reservar INSERT/UPDATE para el cargador.

Carga idempotente

I

Carga que puede repetirse con la misma entrada sin crear efectos duplicados, normalmente mediante una clave única y una estrategia de conflicto.

Ej: Hacer upsert por source_id en vez de insertar de nuevo todas las filas.

Hook

I

Punto de intervención que ejecuta una validación o tarea cuando ocurre un evento específico del flujo de trabajo.

Ej: Un pre-commit que comprueba que el esquema de los datos no cambió.

Webhook

I

Notificación HTTP que un sistema emisor envía automáticamente a una URL receptora cuando ocurre un evento.

Ej: Avisar a un endpoint cuando se incorpora un nuevo lote de registros.

M9 ML Lab I: exploración, preprocesamiento y pipelines

Análisis exploratorio de datos (EDA)

I

Proceso de inspeccionar estructura, calidad, distribuciones y relaciones para formular hipótesis y decidir transformaciones antes del modelado.

Ej: Revisar tipos, porcentajes de faltantes, duplicados y distribución de cargos antes de entrenar churn.

Mecanismos de datos faltantes

A

MCAR: ausencia independiente; MAR: ausencia explicable con variables observadas; MNAR: ausencia ligada al valor no observado. Los mecanismos influyen en sesgo e imputación.

Ej: Ingresos omitidos con mayor frecuencia por un segmento pueden no ser MCAR.

Valor extremo (outlier)

I

Observación muy distante del patrón de una variable; puede ser error, cambio de unidad o un caso real que merece conservarse.

Ej: Una compra de alto valor debe validarse con la fuente antes de eliminarla por exceder 1.5 × IQR.

PCA (Principal Component Analysis)

A

Método que proyecta variables numéricas sobre combinaciones ortogonales que capturan varianza sucesiva; requiere escalar cuando las unidades difieren.

Ej: Ajustar StandardScaler y PCA solo con train y reutilizar la transformación en validación.

ColumnTransformer

I

Componente de Scikit-Learn que envía distintas columnas por pipelines específicos y combina sus resultados.

Ej: Imputar/escalar columnas numéricas y hacer imputación/One-Hot en las categóricas.

Transformador personalizado

A

Estimador de Scikit-Learn que implementa fit y transform para encapsular una regla de ingeniería de variables reutilizable dentro de un pipeline.

Ej: Crear cargos_por_antiguedad y controlar explícitamente tenure igual a cero.

Categoría desconocida

I

Valor categórico que aparece en inferencia y no se observó durante el ajuste del codificador; debe manejarse con una política explícita.

Ej: OneHotEncoder(handle_unknown="ignore") evita fallar, pero conviene monitorear la frecuencia de categorías nuevas.

M10 ML Lab II: modelado y métricas

Log-loss

A

Función de pérdida que compara probabilidades predichas con etiquetas y penaliza especialmente predicciones seguras pero incorrectas.

Ej: En clasificación binaria, minimizar binary cross-entropy ajusta las probabilidades de la Regresión Logística.

Umbral de clasificación

I

Punto de corte aplicado a una probabilidad o score para convertirlo en etiqueta; modifica precision, recall y costos operativos.

Ej: Predecir churn cuando la probabilidad supera 0.40, umbral elegido en validación según costo y capacidad.

Bagging, boosting y stacking

A

Familias de ensembles: bagging combina modelos entrenados en muestras; boosting ajusta secuencialmente errores; stacking combina predicciones mediante un meta-modelo.

Ej: Random Forest usa bagging; Gradient Boosting usa boosting; StackingClassifier combina modelos base con predicciones out-of-fold.

Precision

I

Proporción de predicciones positivas que son verdaderos positivos: TP / (TP + FP).

Ej: Precision baja en churn significa que muchas alertas se enviaron a clientes que no abandonaron.

Recall

I

Proporción de positivos reales identificados por el clasificador: TP / (TP + FN).

Ej: Recall alto de churn detecta más abandonos, pero puede generar más falsas alertas.

ROC-AUC

A

Área bajo la curva ROC; resume la capacidad de ordenar positivos por encima de negativos a través de umbrales, pero no describe calibración ni costo en un umbral.

Ej: Calcular roc_auc_score(y_test, predict_proba(X_test)[:, 1]) usa probabilidades, no clases redondeadas.

Validación cruzada estratificada

I

Esquema de K folds que procura conservar proporciones de clase al evaluar cada partición; requiere adaptar la estrategia para tiempo, grupos o entidades repetidas.

Ej: StratifiedKFold(n_splits=5) en una clasificación i.i.d. con ambas clases presentes.

GridSearchCV

I

Evaluación exhaustiva de combinaciones declaradas de hiperparámetros mediante validación cruzada; el test final no debe participar en la selección.

Ej: GridSearchCV(pipeline, {"modelo__C": [0.1, 1, 10]}, cv=5, scoring="recall").

M11 Visualización de datos

Canal de codificación visual

I

Atributo gráfico (posición, longitud, color, área o forma) que comunica el valor de una variable con distinta precisión perceptual.

Ej: Usar longitud de barras para comparar ingresos y color para separar regiones.

Proximidad Gestalt

I

Principio perceptual por el cual elementos cercanos tienden a percibirse como un grupo.

Ej: Ubicar la etiqueta junto a su línea evita que el lector la busque en una leyenda lejana.

Jerarquía visual

I

Organización de elementos mediante posición, tamaño, contraste y espacio para guiar la atención en un orden intencional.

Ej: Mostrar primero el KPI del período, luego su tendencia y finalmente el desglose.

Paletas secuenciales, divergentes y cualitativas

I

Paletas para magnitudes ordenadas, desviaciones respecto de un centro, o categorías sin orden, respectivamente.

Ej: Una escala divergente alrededor de cero muestra valores negativos y positivos.

Accesibilidad visual

I

Diseño que permite percibir e interpretar un gráfico con diversidad de visión, interacción y dispositivos.

Ej: No depender solo del rojo/verde; añadir etiquetas, contraste y una tabla o descripción.

M12 Storytelling con datos

Storytelling con datos

I

Comunicación que conecta contexto, evidencia, interpretación y una acción proporcional, incluyendo incertidumbre y límites.

Ej: Presentar una tasa con denominador y sugerir un piloto medido, sin afirmar causalidad observacional.

Título de acción

I

Título que expresa el hallazgo principal verificable de un visual, en lugar de nombrar solamente la variable o el gráfico.

Ej: «Las devoluciones subieron en junio» es más informativo que «Devoluciones por mes» si el gráfico lo respalda.

Audiencia y decisión

I

Identificación de quién recibe el análisis y qué decisión concreta está en condiciones de tomar; condiciona nivel de detalle y formato.

Ej: Gerencia puede necesitar tendencia, costo y acción; analítica necesita definición del target y protocolo.

M13 Datos espaciales y visualizaciones animadas

Datos vectoriales y ráster

I

Modelos espaciales: vector representa puntos, líneas y polígonos discretos; ráster representa mediciones en celdas regulares.

Ej: Tiendas son puntos; límites comunales son polígonos; precipitación satelital es un ráster.

Sistema de referencia de coordenadas (CRS)

I

Convenciones que asocian coordenadas con ubicaciones geográficas y describen datum/proyección; se debe conocer antes de medir o superponer capas.

Ej: EPSG:4326 almacena longitud/latitud; para áreas se reproyecta a un CRS adecuado a la región.

set_crs frente a to_crs

A

set_crs declara el significado de coordenadas existentes; to_crs transforma sus valores a otra referencia espacial.

Ej: Asignar el CRS de origen confirmado antes de convertir una capa con to_crs.

Unión espacial

I

Operación que relaciona registros según una condición geométrica, por ejemplo asignar puntos al polígono que los contiene.

Ej: gpd.sjoin(points, regions, predicate="within") asigna eventos a zonas administrativas.

Mapa coroplético

I

Mapa que asigna color a unidades areales según una medida; exige escala, leyenda, denominador y tratamiento de valores sin dato.

Ej: Tasa de eventos por cada 1.000 residentes en comunas con población del mismo período.

Accesibilidad de mapas

I

Prácticas para comunicar mapas también sin depender solo del color o movimiento, incluyendo leyenda clara, texto, tabla alternativa y reducción de riesgos de privacidad.

M14 Distribuciones categóricas, outliers y pruebas

Distribución categórica

I

Frecuencias o proporciones de observaciones por categoría, siempre acompañadas por población, período y denominador relevantes.

Ej: Mostrar clientes churned y total por contrato para obtener tasa y tamaño de muestra.

Prueba de hipótesis

I

Procedimiento que compara datos con una hipótesis nula bajo supuestos explícitos; el resultado no mide por sí mismo efecto o relevancia.

p-valor

A

Probabilidad, suponiendo cierta la hipótesis nula y el modelo, de observar un estadístico igual o más extremo que el resultado.

Ej: p=0.03 no equivale a 3 % de probabilidad de que H0 sea verdadera.

Mann–Whitney U

A

Prueba no paramétrica para comparar rangos entre dos grupos independientes; no es universalmente una prueba de igualdad de medianas.

Problema de comparaciones múltiples

A

Aumento de falsos positivos cuando se realizan muchas pruebas y se seleccionan solo los resultados significativos.

Ej: Definir hipótesis y aplicar un ajuste como Benjamini–Hochberg cuando proceda.

Transformación log1p

I

Transformación log(1+x) que reduce asimetría en variables no negativas y admite ceros; cambia la escala de interpretación.

Ej: np.log1p(monto) para compras no negativas con una cola larga.

M15 Correlación, asociación y multicolinealidad

Correlación de Pearson

I

Medida de asociación lineal entre dos variables numéricas, sensible a extremos y no adecuada para describir toda forma no lineal.

Correlación de Spearman

I

Correlación de rangos que resume asociaciones monotónicas; puede ser baja en relaciones no monotónicas.

Cramér's V

A

Medida entre 0 y 1 de intensidad de asociación entre dos variables categóricas, sin dirección.

Multicolinealidad

A

Dependencia lineal entre predictores que puede volver inestables coeficientes de regresión aunque la predicción siga siendo útil.

VIF (Variance Inflation Factor)

A

Diagnóstico de cuánto se infla la varianza estimada de un coeficiente por su relación lineal con otros predictores; no determina automáticamente qué variable eliminar.

Variable de confusión

A

Variable relacionada con exposición y resultado que puede distorsionar una asociación observada si no se considera en el diseño y análisis.

Ej: Antigüedad puede relacionarse tanto con tipo de contrato como con churn.

M16 Proyecto final: pipeline completo de Ciencia de Datos

Baseline

I

Regla o modelo sencillo de referencia contra el que se mide si un método más complejo aporta valor.

Ej: Comparar un clasificador con una regla de clase mayoritaria antes de justificar una búsqueda de modelos.

Reproducibilidad de un proyecto

I

Capacidad de volver a ejecutar un análisis con fuente, datos, código, dependencias y parámetros identificados y resultados verificables.

Ej: README con setup limpio, tests, semilla, origen de datos y comandos para regenerar figuras.

Artefacto de modelo

I

Objeto serializado que contiene estimador y, cuando corresponde, transformaciones ajustadas; solo debe cargarse desde fuentes confiables.

Ej: Guardar y cargar el Pipeline completo con joblib, además de anotar versiones y fecha de entrenamiento.