Glosario
95 conceptos que tienes que tener en la cabeza
Cada termino esta definido en su contexto y enlazado desde los capitulos donde se usa.
M0 Fundamentos para Machine Learning
Tipado dinamico
IModelo de Python en el que el tipo se asocia al valor en tiempo de ejecucion y no necesita declararse antes de asignar una variable.
Ej: precio = 19.99 crea una variable float sin declarar el tipo.
f-string
ICadena formateada que permite insertar expresiones de Python dentro de llaves y controlar su presentacion.
Ej: f"Total: ${total:.2f}"
Guard clause
IValidacion temprana que resuelve un caso borde y retorna antes de ejecutar la logica principal.
Ej: if not valores: return 0
Modelo relacional
IForma de organizar datos en tablas relacionadas mediante filas, columnas y claves.
NULL en SQL
IValor que representa un dato desconocido o ausente. No equivale a cero ni a una cadena vacia y se consulta con IS NULL.
GROUP BY
IClausula SQL que agrupa filas para aplicar funciones de agregacion como SUM, COUNT o AVG.
HAVING
IClausula que filtra grupos despues de una agregacion. WHERE filtra filas antes de agrupar.
Problem statement
IDescripcion verificable del problema de negocio, el objetivo, el target, las restricciones y la metrica de exito.
Variable objetivo (target)
IVariable que un modelo intenta predecir o explicar. Debe tener una definicion operativa y un horizonte temporal claros.
M1 Fundamentos de Bases de Datos
Esquema relacional
IDefinicion estructural de tablas, columnas, tipos, restricciones y relaciones de una base de datos.
DML
IData Manipulation Language: conjunto de sentencias para consultar y modificar datos, principalmente SELECT, INSERT, UPDATE y DELETE.
DCL
IData Control Language: sentencias para administrar permisos y acceso a datos, como GRANT y REVOKE.
Normalizacion
IProceso de organizar tablas para reducir redundancia y evitar dependencias incorrectas, usando formas normales.
SQLite
IMotor de base de datos relacional embebido, sin servidor, que almacena una base completa en un archivo local.
Pipeline de datos
ISecuencia reproducible de pasos para extraer, transformar, validar y entregar datos a un consumidor o modelo.
Aprendizaje supervisado
ITipo de Machine Learning que aprende una relacion entre variables de entrada y una etiqueta objetivo conocida.
Aprendizaje no supervisado
ITipo de Machine Learning que busca estructura o patrones en datos sin una etiqueta objetivo proporcionada.
M3 Introducción a Machine Learning y Data Acquisition I
Ciclo de vida de Machine Learning
ISecuencia iterativa que va de la pregunta de negocio a la adquisicion, preparacion, modelado, evaluacion y despliegue. Cada etapa condiciona la siguiente y la evaluacion puede obligar a volver a los datos.
Data acquisition
IProceso de obtener datos desde una fuente externa (archivo, API, base) y dejarlos disponibles para validar, transformar y analizar dentro del pipeline.
Ej: Leer ventas_mensuales.csv con pandas y configuracion_tienda.json con json.load registrando origen y encoding.
Imputación por mediana
IReemplazo de valores faltantes numéricos por la mediana de la columna. Es robusta a valores extremos, a diferencia de la media.
Ej: gasto_mensual con valores [150, 250, 300, 400, 50000] → mediana 300, media 10220.
train_test_split
IFunción de scikit-learn que divide un dataset en conjuntos de entrenamiento y prueba. test_size controla la proporción y random_state garantiza reproducibilidad.
Ej: train_test_split(X, y, test_size=0.2, random_state=123) → 80% train, 20% test reproducibles.
Data leakage
IFuga de información del conjunto de test o del futuro hacia el entrenamiento. Produce métricas artificialmente optimistas que colapsan en producción.
Ej: Calcular la mediana o ajustar un scaler sobre todo el dataset antes de separar train/test.
pathlib.Path
IMódulo de Python para manejar rutas de archivos de forma portable entre sistemas operativos. Evita rutas absolutas hardcodeadas y resuelve separadores automáticamente.
Ej: Path("data") / "ventas.csv" en lugar de "C:\\Users\\...\\ventas.csv"
M5 Pipelines y optimización de datos
ETL
IPatrón de integración que extrae datos de una fuente, los transforma y carga el resultado en un destino analítico o de consumo.
Ej: leer_fuentes() → corregir_tipos() → limpiar → exportar_parquet()
ELT
IEstrategia que extrae y carga primero el dato, dejando la transformación dentro del motor de destino.
Ej: Conservar datos raw en un lake y ejecutar transformaciones SQL dentro del warehouse.
Idempotencia
IPropiedad de una ejecución que permite repetirla con las mismas entradas sin duplicar efectos ni cambiar el resultado esperado.
Ej: Regenerar ventas_procesadas.parquet desde las mismas fuentes sin agregar filas duplicadas.
Vectorización
IAplicación de una operación sobre una serie o bloque de datos mediante primitivas optimizadas, evitando loops Python innecesarios.
Ej: df['total_venta'] = df['cantidad'] * df['precio_unitario']
Polars
IBiblioteca de DataFrames orientada a expresiones, escrita en Rust y diseñada para ejecutar operaciones tabulares de forma paralela y eficiente.
Ej: pl.scan_parquet("data/ventas.parquet").filter(...).collect()
Evaluación lazy
IModelo que acumula operaciones como un plan y las ejecuta después, permitiendo optimizar columnas, filtros y lecturas antes de materializar el resultado.
Ej: scan_csv(...).select(...).filter(...).collect()
M6 SQL y DuckDB para análisis de datos
SQL declarativo
ILenguaje en el que se expresa el resultado deseado y el motor decide el plan físico para obtenerlo.
Ej: SELECT region, AVG(ventas) FROM ventas GROUP BY region;
DuckDB
IMotor SQL analítico embebido y orientado a columnas, capaz de consultar archivos CSV y Parquet directamente desde Python.
Ej: SELECT * FROM 'data/clima.parquet' WHERE temperatura > 30;
Out-of-core
ICapacidad de procesar datos que superan la memoria RAM mediante bloques y uso eficiente del almacenamiento.
Ej: Calcular un resumen de un Parquet de 10 GB sin materializarlo completo en Pandas.
Plan de ejecución
IRepresentación de los pasos que el motor estima necesarios para ejecutar una consulta y obtener su resultado.
Ej: EXPLAIN SELECT AVG(temperatura) FROM clima WHERE estacion = 'A';
Filtrado temprano
IEstrategia de reducir filas y columnas lo antes posible para disminuir el trabajo posterior de la consulta.
Ej: Aplicar WHERE antes de GROUP BY y seleccionar solo fecha, estación y temperatura.
M7 SQL analítico avanzado e ingeniería de features
Granularidad de una tabla
INivel de detalle representado por una fila, como una orden, una línea de orden o un cliente por mes. Declararla evita duplicar o mezclar métricas al unir tablas.
Ej: orders: una fila por order_id; order_lines: una fila por order_id + product_id.
CTE (Common Table Expression)
IEtapa de consulta nombrada con WITH, válida durante la sentencia. Facilita separar transformaciones y razonar sobre el grano de cada resultado.
Ej: WITH detalle AS (...) SELECT ... FROM detalle;
Función de ventana
ICálculo sobre un conjunto de filas relacionadas que conserva una fila de salida por fila de entrada, a diferencia de GROUP BY.
Ej: SUM(amount) OVER (PARTITION BY customer_id ORDER BY order_date) conserva cada compra y añade el acumulado.
Marco de ventana
ASubconjunto de filas ordenadas que participa en el cálculo de una función de ventana para la fila actual.
Ej: ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW define un acumulado desde la primera fila hasta la actual.
LAG y LEAD
IFunciones de ventana que acceden a una fila anterior o posterior dentro del orden definido sin hacer un JOIN de la tabla consigo misma.
Ej: LAG(amount) OVER (PARTITION BY customer_id ORDER BY order_date) permite comparar una compra con la anterior.
Análisis RFM
IResumen de comportamiento de clientes basado en recencia, frecuencia y valor monetario dentro de una ventana de observación definida.
Ej: Días desde última compra, cantidad de órdenes en 90 días y gasto total en ese período.
Cardinalidad de JOIN
ARelación de cantidad de filas entre las tablas que se unen (uno-a-uno, uno-a-muchos o muchos-a-muchos); determina si una unión conserva o multiplica registros.
Ej: Un producto duplicado en la tabla de catálogo puede multiplicar cada línea de orden y sobrestimar ingresos.
M8 Persistencia y automatización de datos
ORM
ITécnica que mapea tablas y relaciones de una base de datos a clases y objetos del lenguaje de programación.
Ej: Representar cada fila de weather_records con una instancia de WeatherRecord.
SQLAlchemy 2.0
IToolkit de SQL y ORM para Python que permite mapear modelos tipados y ejecutar consultas mediante expresiones como select().
Ej: Definir una entidad con Mapped[str] y mapped_column(String(80)).
Engine
IObjeto de SQLAlchemy que conoce el dialecto de la base de datos y administra las conexiones de la aplicación.
Ej: create_engine("sqlite:///data/warehouse.db")
Session
IUnidad de trabajo de SQLAlchemy que reúne objetos, consultas y cambios dentro de una o más transacciones.
Ej: Usar with Session(engine) as session: y confirmar cambios dentro de session.begin().
Staging area
IZona temporal y aislada en la que los datos extraídos se validan y limpian antes de promoverlos al destino final.
Ej: Guardar un lote crudo, revisar su esquema y cargar únicamente los registros válidos.
Validación de esquema
IComprobación de que los datos cumplen tipos, campos obligatorios y restricciones acordados antes de procesarlos o persistirlos.
Ej: Rechazar un registro si score es menor que cero o falta su identificador.
Mínimo privilegio
IPrincipio de seguridad que otorga a cada usuario o proceso solo los permisos indispensables para su función.
Ej: Dar SELECT al extractor y reservar INSERT/UPDATE para el cargador.
Carga idempotente
ICarga que puede repetirse con la misma entrada sin crear efectos duplicados, normalmente mediante una clave única y una estrategia de conflicto.
Ej: Hacer upsert por source_id en vez de insertar de nuevo todas las filas.
Hook
IPunto de intervención que ejecuta una validación o tarea cuando ocurre un evento específico del flujo de trabajo.
Ej: Un pre-commit que comprueba que el esquema de los datos no cambió.
Webhook
INotificación HTTP que un sistema emisor envía automáticamente a una URL receptora cuando ocurre un evento.
Ej: Avisar a un endpoint cuando se incorpora un nuevo lote de registros.
M9 ML Lab I: exploración, preprocesamiento y pipelines
Análisis exploratorio de datos (EDA)
IProceso de inspeccionar estructura, calidad, distribuciones y relaciones para formular hipótesis y decidir transformaciones antes del modelado.
Ej: Revisar tipos, porcentajes de faltantes, duplicados y distribución de cargos antes de entrenar churn.
Mecanismos de datos faltantes
AMCAR: ausencia independiente; MAR: ausencia explicable con variables observadas; MNAR: ausencia ligada al valor no observado. Los mecanismos influyen en sesgo e imputación.
Ej: Ingresos omitidos con mayor frecuencia por un segmento pueden no ser MCAR.
Valor extremo (outlier)
IObservación muy distante del patrón de una variable; puede ser error, cambio de unidad o un caso real que merece conservarse.
Ej: Una compra de alto valor debe validarse con la fuente antes de eliminarla por exceder 1.5 × IQR.
PCA (Principal Component Analysis)
AMétodo que proyecta variables numéricas sobre combinaciones ortogonales que capturan varianza sucesiva; requiere escalar cuando las unidades difieren.
Ej: Ajustar StandardScaler y PCA solo con train y reutilizar la transformación en validación.
ColumnTransformer
IComponente de Scikit-Learn que envía distintas columnas por pipelines específicos y combina sus resultados.
Ej: Imputar/escalar columnas numéricas y hacer imputación/One-Hot en las categóricas.
Transformador personalizado
AEstimador de Scikit-Learn que implementa fit y transform para encapsular una regla de ingeniería de variables reutilizable dentro de un pipeline.
Ej: Crear cargos_por_antiguedad y controlar explícitamente tenure igual a cero.
Categoría desconocida
IValor categórico que aparece en inferencia y no se observó durante el ajuste del codificador; debe manejarse con una política explícita.
Ej: OneHotEncoder(handle_unknown="ignore") evita fallar, pero conviene monitorear la frecuencia de categorías nuevas.
M10 ML Lab II: modelado y métricas
Log-loss
AFunción de pérdida que compara probabilidades predichas con etiquetas y penaliza especialmente predicciones seguras pero incorrectas.
Ej: En clasificación binaria, minimizar binary cross-entropy ajusta las probabilidades de la Regresión Logística.
Umbral de clasificación
IPunto de corte aplicado a una probabilidad o score para convertirlo en etiqueta; modifica precision, recall y costos operativos.
Ej: Predecir churn cuando la probabilidad supera 0.40, umbral elegido en validación según costo y capacidad.
Bagging, boosting y stacking
AFamilias de ensembles: bagging combina modelos entrenados en muestras; boosting ajusta secuencialmente errores; stacking combina predicciones mediante un meta-modelo.
Ej: Random Forest usa bagging; Gradient Boosting usa boosting; StackingClassifier combina modelos base con predicciones out-of-fold.
Precision
IProporción de predicciones positivas que son verdaderos positivos: TP / (TP + FP).
Ej: Precision baja en churn significa que muchas alertas se enviaron a clientes que no abandonaron.
Recall
IProporción de positivos reales identificados por el clasificador: TP / (TP + FN).
Ej: Recall alto de churn detecta más abandonos, pero puede generar más falsas alertas.
ROC-AUC
AÁrea bajo la curva ROC; resume la capacidad de ordenar positivos por encima de negativos a través de umbrales, pero no describe calibración ni costo en un umbral.
Ej: Calcular roc_auc_score(y_test, predict_proba(X_test)[:, 1]) usa probabilidades, no clases redondeadas.
Validación cruzada estratificada
IEsquema de K folds que procura conservar proporciones de clase al evaluar cada partición; requiere adaptar la estrategia para tiempo, grupos o entidades repetidas.
Ej: StratifiedKFold(n_splits=5) en una clasificación i.i.d. con ambas clases presentes.
GridSearchCV
IEvaluación exhaustiva de combinaciones declaradas de hiperparámetros mediante validación cruzada; el test final no debe participar en la selección.
Ej: GridSearchCV(pipeline, {"modelo__C": [0.1, 1, 10]}, cv=5, scoring="recall").
M11 Visualización de datos
Canal de codificación visual
IAtributo gráfico (posición, longitud, color, área o forma) que comunica el valor de una variable con distinta precisión perceptual.
Ej: Usar longitud de barras para comparar ingresos y color para separar regiones.
Proximidad Gestalt
IPrincipio perceptual por el cual elementos cercanos tienden a percibirse como un grupo.
Ej: Ubicar la etiqueta junto a su línea evita que el lector la busque en una leyenda lejana.
Jerarquía visual
IOrganización de elementos mediante posición, tamaño, contraste y espacio para guiar la atención en un orden intencional.
Ej: Mostrar primero el KPI del período, luego su tendencia y finalmente el desglose.
Paletas secuenciales, divergentes y cualitativas
IPaletas para magnitudes ordenadas, desviaciones respecto de un centro, o categorías sin orden, respectivamente.
Ej: Una escala divergente alrededor de cero muestra valores negativos y positivos.
Accesibilidad visual
IDiseño que permite percibir e interpretar un gráfico con diversidad de visión, interacción y dispositivos.
Ej: No depender solo del rojo/verde; añadir etiquetas, contraste y una tabla o descripción.
M12 Storytelling con datos
Storytelling con datos
IComunicación que conecta contexto, evidencia, interpretación y una acción proporcional, incluyendo incertidumbre y límites.
Ej: Presentar una tasa con denominador y sugerir un piloto medido, sin afirmar causalidad observacional.
Título de acción
ITítulo que expresa el hallazgo principal verificable de un visual, en lugar de nombrar solamente la variable o el gráfico.
Ej: «Las devoluciones subieron en junio» es más informativo que «Devoluciones por mes» si el gráfico lo respalda.
Audiencia y decisión
IIdentificación de quién recibe el análisis y qué decisión concreta está en condiciones de tomar; condiciona nivel de detalle y formato.
Ej: Gerencia puede necesitar tendencia, costo y acción; analítica necesita definición del target y protocolo.
M13 Datos espaciales y visualizaciones animadas
Datos vectoriales y ráster
IModelos espaciales: vector representa puntos, líneas y polígonos discretos; ráster representa mediciones en celdas regulares.
Ej: Tiendas son puntos; límites comunales son polígonos; precipitación satelital es un ráster.
Sistema de referencia de coordenadas (CRS)
IConvenciones que asocian coordenadas con ubicaciones geográficas y describen datum/proyección; se debe conocer antes de medir o superponer capas.
Ej: EPSG:4326 almacena longitud/latitud; para áreas se reproyecta a un CRS adecuado a la región.
set_crs frente a to_crs
Aset_crs declara el significado de coordenadas existentes; to_crs transforma sus valores a otra referencia espacial.
Ej: Asignar el CRS de origen confirmado antes de convertir una capa con to_crs.
Unión espacial
IOperación que relaciona registros según una condición geométrica, por ejemplo asignar puntos al polígono que los contiene.
Ej: gpd.sjoin(points, regions, predicate="within") asigna eventos a zonas administrativas.
Mapa coroplético
IMapa que asigna color a unidades areales según una medida; exige escala, leyenda, denominador y tratamiento de valores sin dato.
Ej: Tasa de eventos por cada 1.000 residentes en comunas con población del mismo período.
Accesibilidad de mapas
IPrácticas para comunicar mapas también sin depender solo del color o movimiento, incluyendo leyenda clara, texto, tabla alternativa y reducción de riesgos de privacidad.
M14 Distribuciones categóricas, outliers y pruebas
Distribución categórica
IFrecuencias o proporciones de observaciones por categoría, siempre acompañadas por población, período y denominador relevantes.
Ej: Mostrar clientes churned y total por contrato para obtener tasa y tamaño de muestra.
Prueba de hipótesis
IProcedimiento que compara datos con una hipótesis nula bajo supuestos explícitos; el resultado no mide por sí mismo efecto o relevancia.
p-valor
AProbabilidad, suponiendo cierta la hipótesis nula y el modelo, de observar un estadístico igual o más extremo que el resultado.
Ej: p=0.03 no equivale a 3 % de probabilidad de que H0 sea verdadera.
Mann–Whitney U
APrueba no paramétrica para comparar rangos entre dos grupos independientes; no es universalmente una prueba de igualdad de medianas.
Problema de comparaciones múltiples
AAumento de falsos positivos cuando se realizan muchas pruebas y se seleccionan solo los resultados significativos.
Ej: Definir hipótesis y aplicar un ajuste como Benjamini–Hochberg cuando proceda.
Transformación log1p
ITransformación log(1+x) que reduce asimetría en variables no negativas y admite ceros; cambia la escala de interpretación.
Ej: np.log1p(monto) para compras no negativas con una cola larga.
M15 Correlación, asociación y multicolinealidad
Correlación de Pearson
IMedida de asociación lineal entre dos variables numéricas, sensible a extremos y no adecuada para describir toda forma no lineal.
Correlación de Spearman
ICorrelación de rangos que resume asociaciones monotónicas; puede ser baja en relaciones no monotónicas.
Cramér's V
AMedida entre 0 y 1 de intensidad de asociación entre dos variables categóricas, sin dirección.
Multicolinealidad
ADependencia lineal entre predictores que puede volver inestables coeficientes de regresión aunque la predicción siga siendo útil.
VIF (Variance Inflation Factor)
ADiagnóstico de cuánto se infla la varianza estimada de un coeficiente por su relación lineal con otros predictores; no determina automáticamente qué variable eliminar.
Variable de confusión
AVariable relacionada con exposición y resultado que puede distorsionar una asociación observada si no se considera en el diseño y análisis.
Ej: Antigüedad puede relacionarse tanto con tipo de contrato como con churn.
M16 Proyecto final: pipeline completo de Ciencia de Datos
Baseline
IRegla o modelo sencillo de referencia contra el que se mide si un método más complejo aporta valor.
Ej: Comparar un clasificador con una regla de clase mayoritaria antes de justificar una búsqueda de modelos.
Reproducibilidad de un proyecto
ICapacidad de volver a ejecutar un análisis con fuente, datos, código, dependencias y parámetros identificados y resultados verificables.
Ej: README con setup limpio, tests, semilla, origen de datos y comandos para regenerar figuras.
Artefacto de modelo
IObjeto serializado que contiene estimador y, cuando corresponde, transformaciones ajustadas; solo debe cargarse desde fuentes confiables.
Ej: Guardar y cargar el Pipeline completo con joblib, además de anotar versiones y fecha de entrenamiento.