Cómo empezar en ML si no tenés idea

La mayoría de las guías de "cómo empezar en Machine Learning" te mandan a estudiar seis meses de álgebra lineal antes de escribir una línea de código. Después te preguntás por qué abandonaste.

Yo empecé sin saber qué era un DataFrame. Este es el orden que funciona: construir primero, entender la teoría cuando la necesitás.

La regla que ordena todo

No estudiás ML para "saber ML". Lo estudiás para resolver un problema con datos. Cada cosa que aprendas tiene que enganchar con un proyecto que puedas mostrar. Si no lo podés mostrar, todavía no lo aprendiste.

Fase 1 — Python que sirve (2 a 3 semanas)

No necesitás ser experto en Python. Necesitás moverte con datos:

• pandas — cargar, filtrar, agrupar, unir tablas. El 80% del trabajo real es esto.
• numpy — arrays y operaciones vectorizadas. Lo justo.
• matplotlib / seaborn — graficar para entender los datos, no para decorar.

Proyecto de cierre: agarrá un CSV cualquiera (ventas, clima, lo que sea) y respondé tres preguntas con gráficos. Sin modelos todavía.

Fase 2 — El primer modelo (3 a 4 semanas)

Acá entra scikit-learn y el flujo que vas a repetir toda tu vida:

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
 
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)
 
model = RandomForestClassifier(n_estimators=200, random_state=42)
model.fit(X_train, y_train)
 
print(classification_report(y_test, model.predict(X_test)))

Lo importante no es el modelo, es todo lo de alrededor:

• train/test split — por qué nunca evaluás con los mismos datos con los que entrenaste.
• Métricas — accuracy engaña con clases desbalanceadas. Aprendé precision, recall y F1 antes que nada.
• Feature engineering — el 90% de la mejora sale de acá, no de cambiar de modelo.

Un caso real: en un pipeline de credit-default (predecir si alguien va a pagar un crédito), el salto de calidad no vino de pasar de LogisticRegression a un ensemble tuneado. Vino de tratar bien los valores faltantes y codificar las variables categóricas con criterio. El modelo fue lo último.

Fase 3 — La teoría, ahora que la necesitás

Ahora sí, cuando ya sentiste el dolor de un modelo que no generaliza, la teoría cobra sentido:

• Overfitting vs underfitting (y por qué el bias-variance tradeoff explica casi todo).
• Validación cruzada — por qué un solo split te miente.
• Regularización, y qué hace RandomizedSearchCV cuando tuneás hiperparámetros.

En este punto un curso estructurado rinde muchísimo. A mí me ordenó hacer un bootcamp con proyectos reales de punta a punta — no por los videos, sino porque me obligó a entregar pipelines que funcionen, no notebooks a medio hacer.

Los errores que te van a costar tiempo

• Tutorial hell — mirar 40 horas de video sin escribir código. Si no lo tipeaste vos, no lo sabés.
• Empezar por deep learning — redes neuronales antes de dominar un RandomForest es correr antes de caminar. El 80% de los problemas de negocio se resuelven con modelos clásicos.
• Datasets de juguete para siempre — Titanic e Iris están bien para el día 1. Después buscá un problema que te importe de verdad.

Por dónde empezar hoy, en concreto

1. Instalá Python + Jupyter (o usá Google Colab, cero setup).
2. Curso base: Machine Learning de Andrew Ng para la intuición, o directo un bootcamp con proyectos si querés presión de entrega.
3. Un dataset que te importe. Recorré el flujo completo: EDA → limpieza → modelo → métricas.
4. Subilo a GitHub con un README que explique qué problema resolviste, no qué librerías usaste.

Ese último punto es el que separa a quien "está estudiando ML" de quien puede mostrar trabajo. El repo es el CV.

Si estás arrancando y algo de esto te traba, escribime — pasé por ahí hace no tanto.