Algoritmos supervisados para clasificar, predecir y tomar decisiones con datos estructurados.
Problemas de predicción sobre datos estructurados donde el objetivo es aprender una función de mapeo a partir de ejemplos etiquetados. La clasificación binaria y multiclase son los casos más frecuentes en entornos de negocio: detección de fraude, churn, diagnóstico, scoring.
Modelos supervisados con scikit-learn: regresión logística para interpretabilidad en problemas médicos, y comparativa exhaustiva de algoritmos (MLP, SVM, Random Forest, XGBoost) para problemas complejos con feature engineering avanzado. El flujo incluye validación cruzada, ajuste de hiperparámetros con GridSearch/RandomizedSearch y evaluación con métricas adecuadas.
Clasificar observaciones en dos clases (fraude/no fraude, churn/no churn, positivo/negativo) con un …
Ver proyecto →Predecir si un pasajero quedará satisfecho o no con su vuelo a partir de variables sobre el servicio…
Ver proyecto →