Fundamentos para Machine Learning

0.1 El mapa de trabajo

Un proyecto de datos recorre este camino:

Pregunta de negocio
        ↓
Problema de datos medible
        ↓
Datos extraidos y entendidos
        ↓
Datos limpios y preparados
        ↓
Modelo o analisis
        ↓
Decision, medicion y mejora

Si saltas directamente al modelo, no sabes si estas resolviendo el problema correcto. Por eso este repaso tiene tres bloques:

1. Python: manipular valores, estructuras y logica.
2. SQL: consultar el dato donde vive.
3. Definicion del problema: convertir una necesidad ambigua en una pregunta testeable.

Como estudiar este mapa

No intentes memorizar los nombres como una lista aislada. Para cada paso responde tres preguntas:

Pregunta	Ejemplo
¿Que entrada recibe?	Una tabla de ventas sin transformar.
¿Que transformacion realiza?	Filtrar, validar o crear una feature.
¿Que salida entrega?	Un dataset listo para analizar o entrenar.

Esta forma de pensar convierte una herramienta en una pieza de un sistema. Python no es solamente sintaxis, SQL no es solamente consultas y Machine Learning no es solamente elegir un algoritmo.

0.2 Python: los atomos del analisis

Variables y tipos

Una variable es un nombre que referencia un valor. Python tiene tipado dinamico: el interprete infiere el tipo a partir del valor asignado.

producto = "Auriculares Bluetooth"  # str: texto
precio = 2499.99                     # float: decimal
stock = 35                           # int: entero
disponible = True                    # bool: verdadero o falso

print(f"{producto} | ${precio:.2f} | stock: {stock} | disponible: {disponible}")

El formato :.2f muestra dos decimales. El valor no cambia: cambia su presentacion.

Tipo de dato y decision de negocio

El tipo tecnico importa porque limita las operaciones validas y cambia la interpretacion del dato:

cantidad = "35"       # str: parece un numero, pero concatena como texto
cantidad_real = int(cantidad)
precio = float("19.90")

print(cantidad + " unidades")       # 35 unidades
print(cantidad_real * 2)             # 70
print(precio * cantidad_real)        # 696.5

En un dataset real, una columna puede llegar como texto aunque represente numeros. Antes de modelar debes distinguir:

• Tipo almacenado: como llega el valor (str, int, float).
• Tipo semantico: que significa (precio, cantidad, fecha, categoria).
• Regla de validacion: que valores son aceptables (precio no negativo, cantidad entera positiva).

Estructuras de datos

Estructura	Ordenada	Mutable	Uso frecuente
list	Sí	Sí	Secuencias de valores.
tuple	Sí	No	Coordenadas o valores que no deben cambiar.
dict	Por inserción	Sí	Registros clave-valor, JSON y configuraciones.
set	No garantizado	Sí	Valores únicos y pertenencia.

precios = [150.2, 151.0, 149.5]
cliente = {"id": 101, "nombre": "Ana", "compras": [15.5, 20.0]}
posicion = (10.450, -66.900)
categorias = set(["Ropa", "Hogar", "Ropa"])

print(precios[0])
print(cliente.get("nombre"))
print(categorias)

La lista se indexa desde cero. El diccionario se consulta por clave. .get() evita que una clave ausente rompa el programa con KeyError.

Condicionales, bucles y funciones

score = 0.85

if score > 0.9:
    print("Modelo excelente")
elif score > 0.7:
    print("Modelo aceptable")
else:
    print("Reentrenar modelo")

Un for repite una accion sobre cada elemento:

precios = [100, 200, 300]
precios_con_descuento = []

for precio in precios:
    precios_con_descuento.append(precio * 0.9)

print(precios_con_descuento)

Una funcion encapsula una responsabilidad. El caso borde debe resolverse antes de la logica principal:

def resumen_estadistico(valores):
    """Devuelve suma, promedio y cantidad de una lista numerica."""
    if not valores:
        return {"suma": 0, "promedio": 0, "cantidad": 0}

    suma = sum(valores)
    cantidad = len(valores)
    return {
        "suma": suma,
        "promedio": suma / cantidad,
        "cantidad": cantidad,
    }

print(resumen_estadistico([1200, 1500, 1100]))

La formula del promedio es:

promedio = suma de valores / cantidad de valores

La guard clause evita dividir por cero cuando valores esta vacia.

Una funcion de datos debe tener contrato

Una funcion reutilizable se entiende por su contrato:

Entrada valida  →  transformacion  →  salida esperada
                         ↓
                  error explicito si no se cumple

En resumen_estadistico:

• La entrada esperada es una coleccion numerica.
• La salida es un diccionario con tres claves conocidas.
• Una lista vacia tiene un resultado definido.
• Un dato de tipo incorrecto debe producir un error visible, no un numero silenciosamente incorrecto.

Esta disciplina prepara el camino para funciones de limpieza, transformadores de scikit-learn y pipelines reproducibles.

0.3 SQL: consultar antes de modelar

Modelo relacional

Una tabla representa una entidad, cada fila es un registro y cada columna es un atributo.

ventas_tecnologia
├── id_venta         ← identificador
├── producto         ← atributo descriptivo
├── categoria        ← puede ser NULL
├── precio_unitario  ← medida numerica
├── cantidad         ← medida numerica
├── fecha            ← dimension temporal
└── pais             ← dimension geografica

NULL significa desconocido o ausente. No es cero ni una cadena vacia.

Consulta y filtro

SELECT
    producto,
    precio_unitario
FROM ventas_tecnologia
WHERE pais = 'Colombia'
  AND precio_unitario > 500
ORDER BY precio_unitario DESC;

La consulta se lee como una pregunta: selecciona estas columnas, desde esta tabla, donde se cumplen estas condiciones y ordena el resultado.

Para nulos se usa IS NULL:

SELECT producto, pais
FROM ventas_tecnologia
WHERE categoria IS NULL;

Agregacion y orden de ejecucion

SELECT
    categoria,
    SUM(precio_unitario * cantidad) AS ingresos_totales,
    COUNT(*) AS numero_ventas
FROM ventas_tecnologia
GROUP BY categoria
HAVING SUM(precio_unitario * cantidad) > 10000
ORDER BY ingresos_totales DESC;

Etapa logica	Funcion
FROM	Localiza la tabla.
WHERE	Filtra filas individuales.
GROUP BY	Construye grupos.
HAVING	Filtra grupos agregados.
SELECT	Proyecta columnas y aliases.
ORDER BY	Ordena el resultado final.

NULL y la logica de tres valores

SQL no trabaja solo con TRUE y FALSE. Una comparacion con NULL produce UNKNOWN:

-- No encuentra los nulos: NULL = NULL no es TRUE
SELECT * FROM ventas_tecnologia
WHERE categoria = NULL;

-- Forma correcta
SELECT * FROM ventas_tecnologia
WHERE categoria IS NULL;

La consecuencia practica es importante: una fila con NULL puede no pasar un filtro aunque parezca que la condicion deberia ser cierta. Por eso el tratamiento de faltantes debe ser una decision explicita del pipeline.

Pregunta, query y evidencia

Una consulta profesional deja trazable la relacion entre negocio y resultado:

Pregunta: ¿Que categorias superan $10,000 de ingresos?
Query:    GROUP BY categoria + HAVING SUM(...) > 10000
Evidencia: tabla resultante + fecha de ejecucion + fuente de datos
Decision: priorizar inventario de Laptops y Smartphones

Sin esa cadena, una tabla puede ser correcta sintacticamente y aun asi no servir para decidir.

Una consulta correcta no es la que devuelve filas: es la que responde una pregunta verificable.

— Principio de trabajo en datos

0.4 Definir problemas de datos

Pregunta de negocio vs pregunta de datos

Nivel	Ejemplo
Pregunta de negocio	¿Como reducimos las cancelaciones de clientes?
Pregunta de datos	¿Podemos estimar la probabilidad de cancelacion en los proximos 30 dias usando el historial del cliente?
Resultado operativo	Priorizar clientes para una accion de retencion.

Un problem statement correcto debe especificar:

• Contexto y decision que se quiere mejorar.
• Variable objetivo o target.
• Unidad de observacion: cliente, venta, sesion o producto.
• Horizonte temporal.
• Features disponibles y datos faltantes.
• Metrica de modelo y metrica de negocio.
• Restricciones tecnicas, legales y eticas.

Elegir el tipo de problema

Pregunta	Tipo
¿El cliente cancelara?	Clasificacion binaria.
¿Cuanto venderemos?	Regresion.
¿Que grupos naturales existen?	Clustering.
¿Que comportamiento se aparta de lo normal?	Deteccion de anomalias.
¿Que valor esperamos la proxima semana?	Serie temporal.

No se elige un algoritmo por moda. Primero se define la decision, luego el target y finalmente la tecnica adecuada.

Metricas

Clasificacion:
precision = TP / (TP + FP)
recall    = TP / (TP + FN)
F1        = 2 * precision * recall / (precision + recall)

Regresion:
MAE  = promedio(|valor_real - prediccion|)
RMSE = raiz(promedio((valor_real - prediccion)^2))

Si perder un caso real es costoso, prioriza recall. Si una falsa alarma es costosa, prioriza precision. La metrica se decide antes de entrenar para no mover el objetivo despues de ver el resultado.

Baseline antes del modelo

Un baseline es una solucion sencilla que establece el punto de comparacion. Ejemplos:

• Clasificacion: predecir siempre la clase mas frecuente.
• Regresion: predecir siempre la mediana del target.
• Forecasting: usar el valor del periodo anterior.

Si un modelo sofisticado no supera el baseline con una metrica de negocio relevante, su complejidad no esta justificada.

Definicion SMART del problema

Una pregunta util debe ser:

Criterio	Aplicacion
Especifica	Define cliente, producto o evento.
Medible	Tiene target y metrica.
Alcanzable	Los datos existen y tienen suficiente calidad.
Relevante	Cambia una decision concreta.
Temporal	Declara horizonte y fecha de corte.

Ejemplo debil: “Quiero predecir ventas”.

Ejemplo operativo: “Estimar las unidades vendidas por categoria para los proximos 30 dias, usando ventas historicas cerradas al ultimo dia del mes, y evaluar MAE contra el baseline de la mediana mensual.”

0.5 Mini-proyecto integrador

Objetivo

Usar el dataset ventas_tecnologia para pasar de una pregunta a una respuesta reproducible.

Entregables

1. Un README.md con el contexto de negocio.
2. Un notebook que cargue los datos y ejecute consultas SQL.
3. Una funcion Python que valide valores faltantes y tipos.
4. Una tabla de ingresos por categoria.
5. Un problem statement con target, features, horizonte y metricas.

import pandas as pd

ventas = pd.read_csv("ventas_tecnologia.csv")

reporte_calidad = {
    "filas": len(ventas),
    "columnas": list(ventas.columns),
    "nulos_por_columna": ventas.isna().sum().to_dict(),
}

print(reporte_calidad)

La salida no es todavia un modelo. Es evidencia de que entiendes el dato con el que eventualmente trabajaras.

0.6 Preguntas de entrevista

0.7 Recursos