Aprendizaje automático desde cero: siete decisiones detrás de un modelo

Reeditado el 30 de julio de 2026, este artículo cambia una enciclopedia por un hilo práctico: el aprendizaje automático ajusta un sistema con datos para mejorar una medida definida. No aprende en abstracto, no descubre siempre «patrones ocultos» y no evita que alguien programe la tarea. Las personas eligen ejemplo, señal, representación, objetivo, modelo, prueba y uso.

Imagine predecir si una solicitud llegará tarde. Antes de probar una red hay que decidir qué cuenta como solicitud, en qué momento se predice, qué información existía entonces, quién conocerá la salida y qué cuesta cada error. Esas decisiones determinan más que el nombre del algoritmo. La capacidad duradera es reconstruirlas en cualquier proyecto.

Ejemplos, variables, objetivo: el contrato del problema

Una fila no siempre es un ejemplo. Puede ser una persona, visita, máquina, transacción o ventana temporal. Si una persona aparece en entrenamiento y prueba, el modelo puede reconocerla en vez de generalizar. La unidad debe coincidir con lo que será nuevo al usar el sistema.

Las variables de entrada, o características, solo pueden contener información disponible en el instante de decisión. Incluir una factura emitida después del retraso filtra el futuro. También se documenta procedencia, ausencia, frecuencia y transformación. Un valor vacío puede significar «no medido», «no aplicable» o fallo del sensor; convertir los tres en cero crea una ficción.

El objetivo traduce una necesidad a un número que el entrenamiento intenta mejorar. Clasificación estima clases o probabilidades; regresión, cantidades; ranking, orden; generación, una distribución de salidas. La función de pérdida es un sustituto matemático, no el propósito social. Minimizar error medio no garantiza equidad, seguridad ni utilidad.

La línea base puede ser predecir la clase frecuente, usar una regla o conservar el proceso actual. Sin ella, una cifra no dice si el modelo aporta algo. El conjunto de prueba se reserva antes de experimentar y representa población y periodo futuros. Validación sirve para elegir; prueba, para estimar al final.

Predicción no es causalidad. Que una variable anticipe el retraso no significa que cambiarla lo evite; puede ser un indicador de otra causa o una consecuencia temprana. Si la decisión pretende intervenir, se declara qué acción seguirá a la puntuación y se estudian sus efectos. Un modelo predictivo puede priorizar casos sin responder qué política mejorará el resultado.

Supervisado, no supervisado y refuerzo describen la señal

En aprendizaje supervisado, cada ejemplo tiene una salida objetivo. Las etiquetas pueden venir de mediciones, decisiones o anotadores y contienen sus errores. Una «no enfermedad» puede significar que no hubo seguimiento; una devolución puede llegar después. Se mide acuerdo, retraso y quién quedó fuera.

Clasificación y regresión admiten muchas familias. Las máquinas de vectores soporte buscan fronteras con propiedades de margen; árboles dividen el espacio mediante reglas. XGBoost implementó árboles potenciados con regularización y optimizaciones de sistema. Ningún método gana siempre: datos, métrica y restricciones deciden.

El aprendizaje no supervisado trabaja sin esa salida objetivo equivalente y busca grupos, densidad, factores o representaciones. Un clúster no es una categoría natural: depende de distancia, escala, número de grupos y muestra. Puede ayudar a explorar o comprimir, pero asignarle nombres humanos requiere evidencia externa.

En aprendizaje por refuerzo, un agente actúa, recibe recompensa y afecta estados futuros. DQN combinó Q-learning y redes profundas en juegos de Atari bajo un entorno definido. La recompensa, observabilidad, acciones y reinicios forman la tarea. Dominar un juego no prueba decisión general ni autoriza acciones reales sin simulación y controles.

Modelo, parámetros y optimización

Un modelo define una familia de funciones; los parámetros seleccionan una dentro de ella. Una regresión lineal combina variables; un árbol crea particiones; una red compone transformaciones por capas. «Neuronal» es una analogía histórica y matemática, no evidencia de que la red emule el cerebro.

Durante entrenamiento, un optimizador cambia parámetros para reducir la pérdida. El descenso estocástico estima gradientes con lotes. Adam combina estimaciones adaptativas de primeros y segundos momentos. Puede converger con rapidez en ciertos problemas, pero no garantiza el mejor mínimo ni la mejor generalización. Tasa, lote, inicialización y calendario se registran.

Una activación como ReLU introduce no linealidad; las capas permiten representaciones jerárquicas. Más profundidad aumenta capacidad y dificultad de optimización, no conocimiento por definición. La arquitectura incorpora sesgos: convolución favorece localidad, atención relaciona posiciones, árboles tratan umbrales. Elegir sesgo útil puede reducir datos y coste.

Los modelos generativos usan objetivos para aprender distribuciones o producir muestras. Las GAN entrenan generador y discriminador en un juego; no son una «dirección futura» universal ni aseguran realismo. Una muestra convincente y una predicción correcta responden a pruebas distintas.

Generalización: aprender la regularidad, no el examen

Sobreajuste significa que el sistema rinde mejor en los datos usados para ajustarlo que en casos relevantes nuevos. No es solo memorizar filas: puede aprender artefactos de hospital, cámara, fecha o anotador. La partición se hace por la fuente que será nueva y, cuando el tiempo importa, se prueba en un periodo posterior.

Regularizar modifica entrenamiento o capacidad. El artículo de dropout describe omitir aleatoriamente unidades durante entrenamiento para reducir coadaptación y aproximar la combinación de subredes. No «impide que los pesos sean extremadamente altos»; eso se asocia más directamente con penalizaciones sobre pesos. Dropout tampoco reemplaza una prueba separada.

Early stopping detiene según validación; L1 o L2 penalizan parámetros; aumento de datos crea transformaciones que deben conservar la etiqueta. Cada técnica incorpora supuestos. Voltear una imagen puede ser válido para un objeto y falso para una letra. La regularización correcta es la que mejora el conjunto futuro bajo las mismas reglas de evaluación.

Sesgo y varianza ayudan a diagnosticar. Un modelo demasiado simple falla incluso en entrenamiento; uno muy flexible puede variar entre muestras. Curvas de aprendizaje comparan rendimiento con cantidad de datos. Si ambas curvas son malas, más ejemplos quizá no arreglen un objetivo incorrecto; si hay una brecha grande, datos o regularización pueden ayudar.

La probabilidad necesita un umbral para convertirse en acción. Ese umbral cambia falsos positivos y negativos y puede variar por capacidad de revisión, no por conveniencia retrospectiva. También se comprueba calibración: entre los casos puntuados cerca de 0,8, ¿ocurre el evento aproximadamente ocho de cada diez veces? Una clasificación acertada con probabilidades mal calibradas puede asignar recursos de forma defectuosa.

El análisis de errores agrupa fallos por causa posible: etiqueta ambigua, dato ausente, subgrupo, cambio temporal o atajo. Se conservan ejemplos y se modifica una sola parte antes de repetir. Mirar únicamente el promedio invita a añadir complejidad sin saber qué problema se corrige. A veces la mejor mejora es cambiar la recogida o la decisión, no el algoritmo.

Del cuaderno al sistema que alguien puede auditar

La documentación empieza antes del modelo. Datasheets for Datasets propone registrar motivación, composición, recogida, preprocesamiento, usos y mantenimiento. Esto permite descubrir que una población o periodo no está representado y evita tratar el fichero como hecho natural.

Las model cards documentan usos previstos, factores, métricas, datos de evaluación y límites. En un servicio se añaden versión, dependencias, umbral, propietario, supervisión, latencia y respuesta a incidentes. El modelo no funciona aislado: una regla o interfaz puede cambiar el daño aunque la métrica permanezca.

El flujo completo es: formular decisión; reunir y documentar datos; separar conjuntos; crear línea base; entrenar; ajustar en validación; evaluar una vez en prueba; analizar errores; pilotar en sombra; monitorizar; y retirar. Si se mira repetidamente la prueba para mejorar, se convierte en validación y hace falta otra prueba.

En producción cambian población, sensores, política y comportamiento. Se vigilan entradas, rendimiento con etiquetas retrasadas, subgrupos, abstenciones, correcciones, coste y consecuencias. Una desviación activa diagnóstico antes de reentrenar. El modelo puede estar estable mientras el significado de la etiqueta cambia.

La capacidad transferible es completar siete campos ante cualquier proyecto: ejemplo, señal, representación, objetivo, modelo, prueba y uso. Los nombres SVM, red, Adam, DQN o GAN ocupan solo el campo del mecanismo. El aprendizaje automático empieza a ser comprensible cuando se puede explicar qué evidencia cambia los parámetros y qué observación demostraría que el sistema ya no sirve.