Machine learning desde cero

Hola! Bienvenida a este libro 🌸

Esto no es un artículo largo:

• Son dieciséis 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:

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. Y si lo que te falta es traer los datos, es SQL desde cero 🐣

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.

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

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 Cuando lo que importa pasa el 7% de las veces.
• 1️⃣2️⃣ Abrir la caja: qué mira el modelo y por qué.
• 1️⃣3️⃣ Sesgo y confianza: para quién funciona peor y cómo decir "no sé".
• 1️⃣4️⃣ Producción y deriva, y cómo no asustarse en vano.
• 1️⃣5️⃣ El proyecto entero, del CSV a la lista de 200 clientes.
• 1️⃣6️⃣ 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.

Para abrirlo: descarga el cuaderno, entra a Google Colab, elige Subir y arrástralo. El CSV lo lee solo desde internet, así que no hace falta descargarlo salvo que quieras mirarlo en Excel.

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 la guía de SQL desde cero. Si lo que quieres es la ruta completa hasta el rol, está en la guía de cómo ser analista de datos. Y si prefieres hacerlo acompañada y aplicando IA sobre tus propios datos, el Full Day IA es la sesión donde se arma.

Hacia adelante, el paso siguiente es la guía de deep learning: 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