# Machine learning desde cero

URL canónica: https://missyera.com/guias/machine-learning-desde-cero/
Última actualización: 2026-11-14
Autora: Gera Flores (Miss Yera)

> **Respuesta corta**
>
> El machine learning es la parte de la IA donde la máquina aprende de ejemplos en vez de seguir reglas escritas a mano. Y lo que separa un modelo útil de uno inservible no es el algoritmo: es que no haya fuga de información, que la partición responda a tu pregunta y que la métrica sea la correcta. Este libro son veintinueve capítulos sobre un solo archivo de ventas, con todo el código ejecutado, que terminan en una lista de 200 clientes con su probabilidad y su valor al lado.

Veintinueve capítulos con el código ejecutado, sobre un archivo de ventas peruanas sucio a propósito, que terminan en una lista de clientes a quién llamar.

## Hola! Bienvenida a este libro 🌸

Esto no es un artículo largo:

- Son veintinueve capítulos que se leen en orden
- Con ejercicios resueltos en cada uno
- Con **todo el código ejecutado de verdad**

Y cuando digo ejecutado lo digo en serio. Cada bloque corre sobre el mismo archivo de ventas que te vas a descargar, y su salida se compara con lo que está publicado. Si algún día un número deja de coincidir, aquí se entera antes que tú 💜

Eso tiene una consecuencia que a mí me cambió la forma de escribir: varias veces el resultado me desmintió lo que iba a decir, y esas veces se quedaron en el libro tal cual salieron 🫣

## Lo que este libro hace y casi ningún otro

Casi todo el material de machine learning termina donde empieza lo difícil. Te enseñan a entrenar ocho modelos, a comparar la exactitud y ahí paran.

Pero el `fit` y el `predict` son tres líneas y son la parte fácil. Lo que decide si un modelo sirve o hace daño es otra cosa:

- 🕳️ Si hay una columna que no va a existir el día que predices. En el capítulo 6 hay un modelo con 0,9994 de AUC que en producción acierta cero de 750.
- ✂️ Cómo partiste los datos. La misma pregunta da 0,7227 o 0,6843 según si el cliente puede aparecer a los dos lados.
- 🎚️ Dónde pusiste el corte. En el capítulo 9, mover el umbral de 0,5 al número correcto ahorra S/65.750 sin tocar el modelo.
- 👥 Para quién funciona peor. En el capítulo 13, el mismo umbral encuentra al 92,52% de los mayoristas que compran y al 40,68% de las bodegas.

De eso va este libro. Los algoritmos ocupan un capítulo de dieciséis, que es más o menos lo que ocupan en el trabajo real 🙂

## Con qué vas a practicar

Con `ventas-miss-yera.csv`, un archivo de ventas de una distribuidora peruana: 3.037 filas, 617 clientes y dieciocho meses.

Y viene sucio a propósito, porque es lo que te vas a encontrar:

| Lo que trae | Cuánto | Qué pasa si no lo ves |
|---|---|---|
| Filas duplicadas | 37 | Cuentas de más y el mismo cliente pesa doble |
| Montos con coma decimal | 606 | `to_numeric` a secas te borra S/471.534 |
| Fechas en dd/mm/aaaa | 759 | Se convierten en nulos sin avisar |
| Lima escrita de cuatro formas | 4 variantes | Una ciudad se te parte en cuatro categorías |
| Montos negativos | 21 | Parecen atípicos y son otra cosa, capítulo 3 |
| Nulos que significan algo | 3 columnas | Rellenarlos borra veinte puntos de señal |

Ese desorden está puesto a mano y da para cuatro capítulos. Un dataset limpio no te enseña a trabajar 🧽

## Para quién es

Para ti si:

- 🐍 Ya te defiendes con pandas y quieres dar el paso siguiente.
- 📊 Haces reportes y te piden "algo predictivo" y no sabes por dónde empezar.
- 🎓 Hiciste un curso de machine learning y sientes que sabes entrenar modelos y no sabes entregarlos.
- 🧐 Te toca revisar el trabajo de otra persona y quieres saber qué preguntar.

Si pandas todavía te cuesta, el paso previo es [Python desde cero](https://missyera.com/guias/python-desde-cero/). Y si lo que te falta es traer los datos, es [SQL desde cero](https://missyera.com/guias/sql-desde-cero/) 🐣

![Pipeline de un proyecto de machine learning supervisado: contrato de datos, EDA, partir en train y test antes de tocar nada, preprocesar dentro del pipeline, baseline, modelos con validación cruzada, umbral por costos y auditoría con SHAP y sesgo.](https://missyera.com/static/diagramas/webp/guia-ml-01-pipeline.webp)

*El orden importa más que el algoritmo. Escalar o imputar antes de partir en train y test contamina la prueba con información del conjunto entero, y el modelo sale con una nota que no es suya.*

## Qué vas a poder hacer al terminar

- 🔍 Mirar un archivo nuevo y encontrar la suciedad antes de modelar nada.
- 🚩 Oler una fuga de información por el síntoma, que es una métrica demasiado buena.
- 🧱 Montar un pipeline donde el preprocesamiento va dentro y no se escapa.
- 📏 Elegir la métrica que corresponde y defenderla contra el "pero el 95%".
- 💰 Calcular el umbral con los costos del negocio en vez de aceptar el 0,5.
- ⚖️ Auditar el modelo por grupos y ponerle precio a emparejarlos.
- 🤫 Hacer que el modelo diga cuándo no sabe.
- 📤 Entregar una lista que alguien pueda usar el lunes, que es de lo que va el capítulo 15.

Comprueba que lo tienes

Tu modelo de fuga de clientes saca 0,94 de exactitud. El 6% de los clientes se fue el año pasado. ¿Qué haces?

- Miro el recall antes de celebrar nada
- Lo llevo a producción, 0,94 está muy bien
- Pruebo un modelo más potente para llegar a 0,97
- Añado más variables

La trampa

Un modelo de morosidad con AUC de 0,95. El equipo estaba feliz. Duró hasta que alguien preguntó de dónde salía una de las columnas.

```
X = df[['edad', 'ingreso', 'deuda_actual', 'antiguedad',
        'monto_recuperado_por_cobranza']]
y = df['moroso']
```

**Qué está mal**

La última columna. Lo que recuperó cobranza solo existe DESPUÉS de que el cliente cayó en mora, así que el modelo está leyendo el futuro. En producción esa columna llega vacía y el AUC se desploma al 0,6 real. Es fuga de información, y el síntoma siempre es el mismo: una métrica demasiado buena para el problema.

## El 95% de exactitud que no sirve para nada

Si el 95% de tus transacciones son legítimas, un modelo que diga que todo es legítimo acierta el 95% de las veces y no detecta un solo fraude.

Esto no es un ejemplo de manual: en el capítulo 8 lo medimos sobre estos datos. Con un objetivo raro, el modelo saca 92,27% de exactitud, el "digo que no a todo" saca 92,40%, y el modelo encuentra 0 de 57 casos. Y su AUC es 0,92, que suena de maravilla.

La exactitud sola es una métrica peligrosa y es justo la que se reporta. Lo que hay que mirar es la matriz de confusión y lo que sale de ella: precisión, recall y el equilibrio entre las dos 🎯

## El libro, capítulo por capítulo

Se leen en orden la primera vez. Después se vuelve al que te haga falta.

- 1️⃣ Qué es y qué no es, con la primera medición sobre los datos.
- 2️⃣ El contrato: qué predices, con qué columnas y qué existe el día D.
- 3️⃣ Explorar y limpiar, que es donde está la mitad del trabajo.
- 4️⃣ Construir columnas, y las banderas de nulo que valían veinte puntos.
- 5️⃣ El pipeline, para que el preprocesamiento no se escape.
- 6️⃣ Fuga de información, el capítulo que más dinero ahorra.
- 7️⃣ Los modelos: ocho comparados, y gana el más simple.
- 8️⃣ Métricas, y por qué la exactitud miente.
- 9️⃣ El umbral y los soles que vale mover un número.
- 🔟 Validación cruzada y cuánto de tu resultado es la semilla.
- 1️⃣1️⃣ Series de tiempo, y el corte al azar que se ve un 23% mejor.
- 1️⃣2️⃣ Cuando lo que importa pasa el 7% de las veces.
- 1️⃣3️⃣ Abrir la caja: qué mira el modelo y por qué.
- 1️⃣4️⃣ Sin etiqueta: agrupar clientes y detectar los raros.
- 1️⃣5️⃣ Sesgo y confianza: para quién funciona peor y cómo decir "no sé".
- 1️⃣6️⃣ Producción y deriva, y cómo no asustarse en vano.
- 1️⃣7️⃣ El proyecto entero, del CSV a la lista de 200 clientes.
- 1️⃣8️⃣ Referencias y dónde seguir.

## El cuaderno, si prefieres tocarlo

Hay un cuaderno con el recorrido principal, en el mismo orden y sobre el mismo archivo. Sirve para lo que la página no puede: cambiar un número, volver a ejecutar y ver qué se movió.

Practica con datos de verdad

El cuaderno corre de arriba abajo y no necesitas instalar nada: ábrelo en Google Colab y ejecuta. Los datos son ventas de una distribuidora peruana con los defectos que traen los datos reales.

[Descargar el cuaderno](https://missyera.com/static/cuadernos/machine-learning-desde-cero.ipynb) [Dataset de ventas (CSV)](https://missyera.com/static/datasets/ventas-miss-yera.csv) [Serie diaria de tres años (CSV)](https://missyera.com/static/datasets/ventas-diarias-peru.csv)

**Para abrirlo:** descarga el cuaderno, entra a [Google Colab](https://colab.research.google.com), elige Subir y arrástralo. El CSV lo lee solo desde internet, así que no hace falta descargarlo salvo que quieras mirarlo en Excel.

Y hay algo más, que es lo que de verdad se usa para practicar: **cada capítulo tiene su propio cuaderno**, con su código y sus ejercicios con una celda vacía debajo para que los hagas tú. El botón está al final de cada capítulo, y al lado va el de soluciones para cuando ya te hayas peleado un rato 📓

## Lo que hay que saber antes de meterse aquí

El orden importa. Antes de un modelo hace falta poder traer los datos, entenderlos con estadística descriptiva y saber qué significa que dos variables se muevan juntas, incluida la razón por la que correlación no es causalidad.

Si te falta la parte de traer los datos, empieza por el [libro de SQL desde cero](https://missyera.com/guias/sql-desde-cero/). Si lo que quieres es la ruta completa hasta el rol, está en [cómo ser analista de datos](https://missyera.com/blog/ser-analista-de-datos/). Y si prefieres hacerlo acompañada y aplicando IA sobre tus propios datos, el [Full Day IA](https://missyera.com/cursos/full-day-ia/) es la sesión donde se arma.

Hacia adelante, el paso siguiente es el [libro de deep learning](https://missyera.com/guias/deep-learning-desde-cero/): de la neurona al transformer, y qué hacer con un LLM en una empresa. Pero ojo con el orden también aquí, porque en la otra dirección se pierde mucha gente: **todo lo de este libro sigue valiendo cuando el modelo es una red**. La fuga de información, el baseline, el umbral por costo y la trampa de elegir hiperparámetros contra la prueba no desaparecen porque el modelo sea más sofisticado. Se vuelven más fáciles de cometer, porque el entrenamiento tarda horas y nadie quiere repetirlo.

## Preguntas que me hacen siempre

### ¿Necesito saber matemáticas?

No para este libro. Hay una exponencial en el capítulo 12 y un percentil en el 13, y las dos van explicadas. Lo que sí necesitas es pandas.

### ¿Cuánto tiempo toma?

Si haces los ejercicios, unas dos semanas a ritmo de un capítulo por día. Si solo lees, una tarde larga y no vas a aprender ni la mitad 🙃

### ¿Sirve para una entrevista de trabajo?

Sirve sobre todo para la parte donde te preguntan por qué tomaste una decisión. Los capítulos 6, 9 y 13 son respuestas que casi nadie tiene.

### ¿Por qué scikit-learn y no otra cosa?

Porque se instala sin pelear, está en todas partes y hace todo lo del libro. Las otras librerías, y para qué sirve cada una, están en el capítulo 16.

### ¿Puedo usar mis propios datos?

Sí, y es lo que te recomiendo desde el capítulo 3. Solo cambia el nombre de las columnas en cada bloque. Los números te van a salir distintos y ahí es donde de verdad se aprende.

### ¿Esto es lo mismo que la IA generativa?

No. Aquí se predice una columna a partir de otras. Los modelos que escriben texto son otra familia y están en el [libro de deep learning](https://missyera.com/guias/deep-learning-desde-cero/).

### ¿Qué incluye el libro Machine learning desde cero de Miss Yera?

29 capítulos y 197 ejercicios con su solución. Cubre todo el camino sobre un archivo de ventas peruanas sucio a propósito: contrato de datos, limpieza, auditoría de tipos, modelos, evaluación y una lista final de a qué clientes llamar. Se lee entero en la web, sin registro y sin pagar nada, y cada capítulo enlaza al anterior y al siguiente para que se pueda seguir en orden.

### ¿Vale la pena el libro Machine learning desde cero de Miss Yera?

No hace falta que me creas: está abierto, entra al primer capítulo y júzgalo tú. Lo que lo distingue de un curso grabado es que el código publicado se ejecutó antes de publicarse y su salida está ahí para que compares, y que los 197 ejercicios traen solución comprobada. Si después de dos capítulos no te sirve, no sigas.

### ¿Para quién está pensado el libro Machine learning desde cero de Miss Yera?

Para quien ya sabe algo de Python y quiere entrenar modelos entendiendo qué hace cada paso, no copiando recetas. No pide requisitos previos ni instalar nada complicado: se puede leer en la web y los ejercicios se abren en Colab desde el navegador.

### ¿Qué aprenderé con el libro Machine learning desde cero de Miss Yera?

Terminas con un modelo entrenado y evaluado por ti, y sabiendo cuándo NO usar machine learning, que es la mitad del oficio. Son 29 capítulos y cada uno se lee en una sentada y se practica en una tarde. Cuando lo acabes, lo que sigue en el camino es [Deep learning desde cero](https://missyera.com/guias/deep-learning-desde-cero/).

### ¿El libro Machine learning desde cero de Miss Yera es realmente gratuito?

Sí, y sin la trampa habitual: no hay que registrarse, no piden correo, no hay una parte de pago después. Los 29 capítulos completos están en la web y los cuadernos de ejercicios se abren en Colab. Lo que sí se cobra son los cursos en vivo, que son otra cosa.

### ¿El libro Machine learning desde cero de Miss Yera incluye ejercicios y soluciones?

Sí, 197 ejercicios repartidos en los 29 capítulos, y todos con solución. Se ejecutan en Colab sobre el mismo archivo de ventas, con la salida real publicada al lado para que compares. La solución viene comprobada, no escrita de memoria.

### ¿Dónde puedo descargar el libro Machine learning desde cero de Miss Yera?

No hay PDF que descargar y es a propósito: el libro vive en la web, en missyera.com/guias/machine-learning-desde-cero/, porque así se corrige y se amplía sin que a nadie le quede una versión vieja en el escritorio. Lo que sí se descarga son los cuadernos de ejercicios, que se abren directamente en Colab.

### ¿Qué opiniones hay sobre el libro Machine learning desde cero de Miss Yera?

Prefiero no ponerte reseñas que no puedas verificar. Lo que sí puedes comprobar tú misma en dos minutos: entra a cualquier capítulo y mira si el código trae publicada la salida con la que se comparó, y si los ejercicios tienen la solución. Eso dice más de un libro técnico que cualquier testimonio.

## Capítulos

1. [Qué es machine learning](https://missyera.com/guias/machine-learning-desde-cero/que-es-machine-learning.md)
2. [El contrato de datos](https://missyera.com/guias/machine-learning-desde-cero/el-contrato-de-datos.md)
3. [Gobernanza de datos](https://missyera.com/guias/machine-learning-desde-cero/gobernanza-y-sesgos.md)
4. [Abrir el archivo y pelearse con la suciedad](https://missyera.com/guias/machine-learning-desde-cero/eda-y-limpieza.md)
5. [Auditoría de tipos](https://missyera.com/guias/machine-learning-desde-cero/auditoria-de-tipos.md)
6. [Cada columna, mirada de una en una](https://missyera.com/guias/machine-learning-desde-cero/eda-univariado.md)
7. [Cada columna contra el objetivo](https://missyera.com/guias/machine-learning-desde-cero/eda-bivariado.md)
8. [Las columnas entre ellas](https://missyera.com/guias/machine-learning-desde-cero/eda-multivariado.md)
9. [Construir columnas](https://missyera.com/guias/machine-learning-desde-cero/construir-columnas.md)
10. [Escalar, imputar y codificar](https://missyera.com/guias/machine-learning-desde-cero/decisiones-de-preprocessing.md)
11. [El pipeline](https://missyera.com/guias/machine-learning-desde-cero/el-pipeline.md)
12. [La fuga de información](https://missyera.com/guias/machine-learning-desde-cero/fuga-de-informacion.md)
13. [Ocho modelos](https://missyera.com/guias/machine-learning-desde-cero/los-modelos.md)
14. [Las métricas](https://missyera.com/guias/machine-learning-desde-cero/metricas.md)
15. [El umbral](https://missyera.com/guias/machine-learning-desde-cero/umbral-y-costo.md)
16. [Validación cruzada](https://missyera.com/guias/machine-learning-desde-cero/validacion-cruzada.md)
17. [Cuando las filas van en orden](https://missyera.com/guias/machine-learning-desde-cero/series-de-tiempo.md)
18. [XGBoost, LightGBM y Optuna](https://missyera.com/guias/machine-learning-desde-cero/boosting-y-tuning.md)
19. [Cuando lo que importa pasa el 7% de las veces](https://missyera.com/guias/machine-learning-desde-cero/clases-raras.md)
20. [Abrir la caja negra](https://missyera.com/guias/machine-learning-desde-cero/explicar-el-modelo.md)
21. [SHAP y PDP](https://missyera.com/guias/machine-learning-desde-cero/shap-y-pdp.md)
22. [Cuando la pregunta no es predecir](https://missyera.com/guias/machine-learning-desde-cero/regresion-con-statsmodels.md)
23. [Agrupar clientes sin decirle cómo](https://missyera.com/guias/machine-learning-desde-cero/agrupar-sin-etiqueta.md)
24. [Para quién funciona peor y cuánto puedes fiarte](https://missyera.com/guias/machine-learning-desde-cero/sesgo-y-confianza.md)
25. [Que alguien más le pueda preguntar](https://missyera.com/guias/machine-learning-desde-cero/servir-el-modelo.md)
26. [Que corra en la máquina de otro](https://missyera.com/guias/machine-learning-desde-cero/que-corra-en-otra-maquina.md)
27. [Sacarlo del cuaderno y vigilar que siga sirviendo](https://missyera.com/guias/machine-learning-desde-cero/produccion-y-deriva.md)
28. [El proyecto entero](https://missyera.com/guias/machine-learning-desde-cero/proyecto-final.md)
29. [Referencias y dónde seguir](https://missyera.com/guias/machine-learning-desde-cero/referencias.md)

## Contacto

- Diagnóstico de 30 minutos con Miss Yera: https://calendly.com/soymissyera/reunion-con-yera
- Correo: hola@missyera.com
- Esta página en HTML: https://missyera.com/guias/machine-learning-desde-cero/
- Índice de todas las páginas en texto: https://missyera.com/llms-index.txt