En el corazón del machine learning están los algoritmos. Entender al menos sus principios básicos ayuda a escoger mejor herramienta para cada problema y evita tratar todo modelo como una caja negra.
Algunos bloques fundamentales
- regresión lineal;
- logistic regression;
- SVM;
- Naive Bayes;
- KNN;
- árboles de decisión;
- random forests;
- gradient boosted trees;
- k-means;
- PCA.
Por qué importa esta base
Cada algoritmo resuelve un tipo de problema mejor que otros. Algunos son más interpretables, otros más potentes, otros más adecuados para clasificación, clustering o reducción de dimensionalidad.
Conclusiones
Dominar machine learning no significa memorizar fórmulas aisladas, sino entender qué problema resuelve cada familia de algoritmos y qué tradeoffs introduce. Esa base sigue siendo muy valiosa incluso en un entorno cada vez más automatizado.