Programar es: datos + reglas → respuesta. Tasar una casa, reconocer una cara, entender portugués — las reglas manuales no dan abasto. El Machine Learning invierte la cuenta: datos + respuestas de ejemplo → el modelo (las reglas). Este texto sigue el curso How Machine Learning Works, End to End de KodeKloud: de la hoja de cálculo a ChatGPT, el ciclo es el mismo.
La neurona está en el post de 3Blue1Brown; el mapa de DL en el crash course de freeCodeCamp. Aquí el hilo es el pipeline completo.
Reglas vs ejemplos
clássico: Dados + Regras → Respostas
ML: Dados + Respostas → Regras (o modelo)
CRUD y factura caben en if. Inmueble con 40 variables subjetivas, no. Tú alimentas el algoritmo con el histórico; él encuentra la relación y predice lo que aún no ha visto.
Hoja de cálculo: feature, label, ruido
área m² | quartos | bairro | preço (y)
120 | 3 | Centro | 650.000
85 | 2 | Jardins | 720.000
45 | 1 | Subúrbio | 280.000
- X (features): lo que entra — área, habitación, barrio, antigüedad.
- y (label): lo que se quiere predecir — el precio.
- Muestra: cada fila.
Antes de entrenar: nulo (media/mediana o drop), outlier, texto → número (one-hot en el barrio), escala (m² no puede aplastar “nº de habitaciones” solo porque el número es mayor).
Entrenamiento vs inferencia
Entrenamiento: el modelo observa miles de ejemplos y ajusta pesos/sesgos hasta que el error baja. Empieza con GPU, tarda una hora, luego un clúster. Inferencia: pesos congelados; entran datos nuevos y la respuesta sale en milisegundos.
El caso más tonto — una variable:
ŷ = w · x + b
w es cuánto sube el precio por m²; b es el suelo (terreno “de área cero”). Una red profunda es esa recta apilada, con no linealidad en medio — la GPU del post GPU vs TPU no hace otra cosa.
Loss y el valle
Error de una casa: y − ŷ. El MSE calcula la media de los cuadrados:
MSE = (1/N) · Σ (y − ŷ)²
Elevar al cuadrado lo deja todo positivo ( +100 y −100 no se anulan) y castiga las desviaciones: equivocarse en R$ 50 mil duele cuatro veces más que equivocarse en 25 mil.
Gradient descent: empieza con un peso aleatorio, calcula la inclinación de la curva de error, da un paso en la dirección opuesta. El tamaño del paso es el learning rate α:
w_novo = w − α · ∂Loss/∂w
α alto: el modelo se salta la cazuela y no aterriza. α bajo: hormiga, y aún puede quedarse en un agujero local.
Generalizar — y no filtrar el test
Nota 10 en el entrenamiento no cuenta. Lo que importa son datos nuevos.
- Entrenamiento ~80% — ajusta pesos.
- Validación ~10% — elige algoritmo e hiperparámetros.
- Test ~10% — la selectividad, intacto.
Underfit: recta en un seno. Falla en entrenamiento y test. Overfit: árbol profundo que memoriza el ruido. 99% en entrenamiento, 50% en cliente real.
Data leakage: información del test entra en el entrenamiento. Clásico: normalizar con la media global antes del split. En la propiedad: columna “comisión del corredor”, que solo existe porque la casa ya se vendió a ese precio. El laboratorio queda precioso; la producción se rompe.
El mapa de los problemas
Machine Learning
├─ supervisionado (tem y)
│ ├─ regressão (preço, temperatura)
│ └─ classificação (spam, churn, benigno/maligno)
└─ não-supervisionado (sem y)
├─ clustering (K-Means, perfil de cliente)
└─ dimensionalidade (PCA)
De ŷ = wx+b a ChatGPT
El ciclo no cambia: forward → loss → backprop → descent. En el LLM solo se apilan miles de millones de parámetros encima de texto.
- Token + embedding: el texto se vuelve trozo, el trozo se vuelve vector. “Linux” y “Unix” quedan cerca.
- Pre-entrenamiento: predecir el siguiente token en billones de palabras. Se convierte en el autocompletar del universo — todavía no es asistente, solo continúa el texto al estilo de la web.
- SFT: miles de pares pregunta/respuesta. Aprende a obedecer instrucciones.
- RLHF / DPO: humanos clasifican respuestas; un reward model + refuerzo empuja hacia lo útil, honesto, rechazar lo dañino.
En 2026 el extra es atención (Transformer), multimodal (texto+imagen+audio) y agente (tool calling, script en el terminal, loop ReAct). En el Linux de bolsillo, el mismo ciclo cabe en Ollama.
Referencias
- Curso: KodeKloud — Cómo funciona el machine learning, de principio a fin
- ¿Qué es una red neuronal?
- Deep Learning para principiantes
- GPU vs TPU
Hoja de cálculo, loss, gradiente, split. ChatGPT es eso con más ceros en la cuenta. Sin magia — y con leakage, el laboratorio miente.