Machine learning clásico: la base que sigue vigente
Hay una confusión frecuente entre "inteligencia artificial" y "modelos de lenguaje". La mayoría de los problemas que una empresa resuelve con datos siguen resolviéndose mejor con un gradient boosting sobre una tabla que con un LLM. El machine learning clásico no es una etapa histórica: es la herramienta correcta para una porción enorme de los casos reales.
Además, los conceptos de generalización —sobreajuste, bias-variance, validación cruzada, fuga de datos— se entienden mucho mejor con modelos chicos que se entrenan en segundos que con redes gigantes. Quien salta directo a los transformers suele arrastrar huecos conceptuales que después aparecen como resultados que no se pueden explicar.
10 recursos de machine learning clásico
Ordenados con los imprescindibles primero y agrupados por tipo. Los marcados con ★ son los que recomendaría alguien que ya recorrió el camino; los que dicen «gratis» no cuestan nada.
🎓 Curso
La puerta de entrada canónica. Regresión, clasificación, redes neuronales, clustering, sistemas de recomendación. Auditable gratis.
Micro-cursos de 3-5 horas: Python, pandas, ML intro, feature engineering, deep learning, explicabilidad. Muy buen retorno por hora invertida.
~15 horas, muy bien producido, con ejercicios interactivos. Actualizado con módulos de LLMs y embeddings.
La versión con toda la matemática que CS229 omite en Coursera. Notas y problem sets públicos.
📚 Libro
PDF gratis, versiones en R y Python. El mejor libro para entender de verdad bias-variance, regularización, validación cruzada y árboles.
El libro práctico más recomendado de la última década. Notebooks gratis en GitHub. Traducido al español.
La versión pesada de ISL. Referencia estadística rigurosa. PDF gratis.
Modelo 'leer primero, pagar después'. Panorama honesto y comprimido de todo el campo.
🐙 Repo
📘 Docs
Preguntas frecuentes sobre machine learning clásico
¿Vale la pena aprender machine learning clásico si quiero trabajar con LLMs?
Sí, por dos motivos. Primero, porque muchos problemas de producción no necesitan un LLM y saber distinguirlos te ahorra costos absurdos. Segundo, porque la disciplina de evaluación —train/test, validación, fuga de datos— viene de acá y es exactamente lo que separa un prototipo de un producto.
¿Cuál es el mejor curso de machine learning para empezar?
La Machine Learning Specialization de Andrew Ng si preferís entender la teoría primero, o fast.ai si aprendés mejor construyendo desde el primer día. Son enfoques opuestos y los dos funcionan: elegí según cómo estudiás vos, no según cuál es más famoso.