Laboratorios guiados
Estos cuadernos acompañan la Ruta de Aprendizaje con experimentos que puedes mirar y modificar. Empiezan con datos pequeños y locales, tienen una versión inicial que corre y una solución separada para contrastar ideas. Las figuras muestran cómo cambia una distribución, una frontera o una métrica cuando cambias una decisión. Las preguntas son invitaciones a explorar; no hay casillas que marcar ni un orden que debas demostrar para poder seguir.
Las seis primeras actividades están en español, usan CPU y no requieren cuentas ni descargas dentro del notebook. Los datos son sintéticos propios: permiten ver un mecanismo con claridad, sin representar una tarea oficial ni su puntaje. Puentes de entrada explica funciones, rutas, formas y matemática cuando hagan falta; Diagnóstico inicial ofrece algunas preguntas opcionales para orientarte.
Abrir un cuaderno
La instalación inicial del entorno sí necesita red; sigue Entorno de estudio y abre jupyter lab con ese entorno activado.
Desde la web, descarga el ZIP completo y extráelo. Conserva datos/ junto a
los notebooks. En el repositorio, las carpetas ya están en laboratorios/.
Abre inicio.ipynb y usa Reiniciar kernel y ejecutar todo para ver el ejemplo
completo. Cambia algo que te produzca curiosidad. La versión inicial usa un
baseline; solucion.ipynb muestra una propuesta más desarrollada. Puedes
consultarla cuando te ayude a entender una decisión. Descargar solo el notebook
no incluye sus datos: los enlaces individuales sirven para inspeccionarlo o
reemplazarlo en una carpeta ya descargada.
Datos, modelos y geometría
| Cuaderno | La idea que puedes ver | Descargas |
|---|---|---|
| 00 · NumPy y formas | Las mismas columnas antes y después de normalizar: qué cambia y qué permanece | ZIP · Inicio · Solución |
| 01 · Tabla heterogénea | Números, categorías y ausencias dentro de un único modelo; qué ocurre con una categoría nueva | ZIP · Inicio · Solución |
| 02 · Clasificador completo | La frontera de decisión y los puntos donde se equivoca; una entrega con IDs alineados | ZIP · Inicio · Solución |
| 03 · Métricas y umbral | Una curva ROC y cómo cambia F1 al mover el umbral sin cambiar el ranking | ZIP · Inicio · Solución |
| 04 · Validación por grupos | Vecinos casi repetidos: reconocer un grupo conocido frente a predecir uno nuevo | ZIP · Inicio · Solución |
| 05 · Modelos y clustering | Cinco fronteras de clasificación; cuatro nociones de grupo en lunas y nubes | ZIP · Inicio · Solución |
Los módulos 00 - De programar a programar con datos, 01 - Pandas y mirar los datos y 02 - Tu primer modelo explican las primeras tres ideas. 04 - Métricas, 05 - Validación honesta, 06 - Modelos clásicos y 08 - Sin etiquetas amplían las siguientes. Puedes alternar lectura y experimentación: una figura que contradice tu predicción suele ser una buena razón para volver a la explicación.
Redes y modalidades
Estos cuadernos prolongan la misma forma de explorar con ejemplos pequeños. Los modelos se inicializan o generan localmente: permiten entender mecanismos, sin fingir la capacidad de un encoder preentrenado grande ni la evaluación de una tarea oficial completa.
| Cuaderno | La idea que puedes ver | Descargas |
|---|---|---|
| 06 · Entrenamiento | Curvas de pérdida, acumulación y el checkpoint que realmente se restaura | ZIP · Inicio · Solución |
| 07 · Embeddings y LoRA | Correspondencia entre vectores y etiquetas; parámetros que cambian al adaptar un modelo pequeño | ZIP · Inicio · Solución |
| 08 · Visión y generación | Reconstrucción de imágenes enmascaradas y una GAN diminuta sobre una distribución 2D | ZIP · Inicio · Solución |
| 09 · Lenguaje y audio | Siguiente token y perplejidad; ondas, espectros, remuestreo y alineación de grabaciones | ZIP · Inicio · Solución |
Las lecciones 11 - Entrenar de verdad, 12 - Embeddings, 14 - Fine-tuning y LoRA, 16 - Visión I, 18 - Texto, 19 - Audio y señales y 20 - Modelos generativos dan contexto a esos experimentos. Preparar una extensión con pesos externos es una actividad posterior y se distingue explícitamente de lo que ya funciona sin red.
Un juez para explorar los interactivos
El paquete de Potato acompaña
22 - Interactivos. Incluye un juez en memoria, jugador inicial y doce
palabras con vectores inventados. Extrae el ZIP y ejecuta
python3 ejecutar.py --oculto secret desde su carpeta para ver el diálogo.
Solo necesita Python 3.11 o posterior; no usa Jupyter ni modelos descargados.
Es una simulación didáctica del estado y la puntuación, no el evaluador oficial.
Algunas preguntas para llevar al notebook
- Normalización: una columna constante termina en ceros. ¿Por qué sería imposible pedirle a la vez media cero y desviación uno? ¿Qué sucede si cambias la unidad de una variable por un factor de cien?
- Tablas: si una categoría nunca apareció en entrenamiento, ¿qué información puede usar el modelo al encontrarla? ¿Qué aprende un imputador y de qué filas?
- Clasificación: ¿qué errores de la frontera desaparecerían con más flexibilidad y cuáles podrían ser ruido? ¿Qué ocurre si ordenas los IDs sin ordenar sus predicciones junto con ellos?
- Métricas: ¿puedes mejorar F1 sin reentrenar? ¿Por qué AUC no cambia al mover el umbral, aunque sí cambien falsas alarmas y positivos detectados?
- Validación: un resultado más bajo puede responder mejor la pregunta real. ¿Llegarán filas de grupos conocidos, grupos nuevos o datos del futuro?
- Clustering: ¿qué vuelve parecidos a dos puntos: un centro común, densidad
o conectividad? Cambia
epsde DBSCAN y observa uniones, fragmentos y ruido.
Qué significan los resultados
Cada cuaderno declara sus datos, particiones y métricas. Baseline y propuesta se comparan en las mismas condiciones; el conjunto de transferencia se mira con la decisión ya fijada para observar qué ocurre en datos nuevos. Sus etiquetas son visibles para aprender, así que no se presenta como test privado.
Los números esperados de las soluciones son referencias locales, no requisitos
para leer el siguiente capítulo ni equivalencias con puntajes oficiales.
Las aserciones y resultado.json se usan para detectar roturas del material
mediante ejecución automática. No hay un formulario que rellenar: conserva
las notas o variantes que te resulten útiles.
Los CSV y notebooks iniciales se dedican a CC0-1.0. Son datos sintéticos propios, sin registros de personas; cada ZIP incluye su licencia. La prueba automática comprueba ejecución desde cero y resultados concretos. Comprender una idea y transferirla a una situación nueva es algo más amplio que hacer pasar esa prueba.