|
10 | 10 |
|
11 | 11 | # Fundamentos de Estadística y Aprendizaje Automático |
12 | 12 |
|
| 13 | +## Flujo de un Proyecto de Machine Learning |
| 14 | + |
| 15 | +```mermaid |
| 16 | +flowchart TD |
| 17 | + DATA["📊 Datos Crudos\n(imágenes, texto, sensores)"] |
| 18 | + DATA --> EDA["🔍 Estadística Descriptiva\n(media, mediana, varianza,\nhistogramas, outliers)"] |
| 19 | + EDA --> SPLIT["✂️ División del Dataset\nTrain / Validation / Test"] |
| 20 | + SPLIT --> MODEL["🧠 Selección de Modelo"] |
| 21 | + MODEL --> REG["📈 Regresión Lineal\n(predecir números)"] |
| 22 | + MODEL --> CLAS["🏷️ Clasificación\n(spam/no-spam, gato/perro)"] |
| 23 | + MODEL --> TREE["🌲 Árbol de Decisión\n(preguntas sí/no)"] |
| 24 | +
|
| 25 | + REG --> TRAIN["⚙️ Entrenamiento"] |
| 26 | + CLAS --> TRAIN |
| 27 | + TREE --> TRAIN |
| 28 | +
|
| 29 | + TRAIN --> EVAL["📏 Evaluación\n(accuracy, precisión,\nrecall, MAE, MSE)"] |
| 30 | + EVAL -->|"overfitting/underfitting"| MODEL |
| 31 | + EVAL -->|"modelo OK"| PROD["🚀 Producción\n(recomendadores, detección\nde fraude, clasificadores)"] |
| 32 | +
|
| 33 | + style DATA fill:#1e1e2e,stroke:#61dafb,color:#f8f8f2 |
| 34 | + style TRAIN fill:#1e1e2e,stroke:#ffd700,color:#f8f8f2 |
| 35 | + style EVAL fill:#1e1e2e,stroke:#64ffda,color:#f8f8f2 |
| 36 | + style PROD fill:#1e1e2e,stroke:#50fa7b,color:#f8f8f2 |
| 37 | +``` |
| 38 | + |
13 | 39 | ## 1. ¿Qué son datos, estadística y machine learning? |
14 | 40 |
|
15 | 41 | - Qué es un dato, conjuntos de datos, ejemplos cotidianos (fotos, texto, sensores). |
|
0 commit comments