Guía Completa de Machine Learning
Por el Equipo docente del Instituto Data Science · Actualizado en octubre de 2026
Qué es el aprendizaje automático, cómo funciona un modelo, qué tipos existen, cómo se evalúa y por dónde empezar a aprenderlo con Python.
Resumen de la guía: el Machine Learning (aprendizaje automático) es la rama de la Inteligencia Artificial que permite que un sistema aprenda patrones a partir de datos, en lugar de seguir reglas escritas una por una. En esta guía vas a ver cómo funciona, sus tres grandes tipos, cómo se diferencia del Deep Learning, cómo se evalúa un modelo y un orden de estudio práctico con Python.
¿Qué es el Machine Learning?
Es una rama de la Inteligencia Artificial que permite que las computadoras aprendan a partir de los datos sin ser programadas explícitamente para cada tarea. En lugar de seguir instrucciones fijas, los algoritmos detectan patrones, hacen predicciones y mejoran con la experiencia.
Una definición clásica, formulada por Tom Mitchell en 1997, dice que un programa aprende de la experiencia E respecto de una clase de tareas T y una medida de desempeño P, si su desempeño en T, medido con P, mejora con E.
Ejemplo: pensá en un sistema que aprende a reconocer rostros, recomendar películas o predecir el precio de un producto. En todos los casos el conocimiento sale de los datos, no de reglas escritas a mano.
Programación tradicional
La persona escribe las reglas, la computadora las ejecuta y se obtiene un resultado.
Machine Learning
La persona aporta datos y resultados esperados, y la computadora descubre las reglas en forma de modelo.
El ML es una de las capas de la IA. Para ver el panorama completo, mirá la guía de Inteligencia Artificial y la de ramas de la IA.
¿Cómo funciona el aprendizaje automático?
En términos simples, un proyecto de ML pasa por tres pasos centrales. En la práctica combina matemática, estadística y programación, principalmente en Python y R.
Recolección de datos
Los modelos aprenden de grandes volúmenes de información: números, textos, imágenes. La calidad de los datos define el techo de lo que el modelo puede lograr.
Entrenamiento del modelo
Un algoritmo ajusta los parámetros internos del modelo para minimizar el error entre sus predicciones y los resultados reales.
Predicción y evaluación
Se comprueba que el modelo generalice, es decir, que prediga bien sobre datos nuevos que no vio al entrenar.
La clave es generalizar: un modelo que solo acierta con los datos con los que se entrenó no sirve. Por eso los datos se dividen en conjuntos de entrenamiento y de prueba, como vemos en Cómo se evalúa un modelo.
Tipos de Machine Learning
Existen tres grandes categorías, según el tipo de datos y de retroalimentación que recibe el modelo.
El modelo aprende de ejemplos etiquetados, por ejemplo correos marcados como “spam” o “no spam”. Se usa en clasificación y regresión.
El sistema explora los datos sin etiquetas y busca patrones ocultos. Se aplica en agrupamiento (clustering) y reducción de dimensión.
Un agente aprende por prueba y error, con recompensas y penalizaciones. Se usa en robótica, videojuegos y sistemas autónomos.
| Tarea | Qué predice | Ejemplo |
|---|---|---|
| Clasificación | Una categoría. | ¿Esta transacción es fraude o no? |
| Regresión | Un valor numérico. | ¿Cuánto va a costar este producto? |
| Agrupamiento | Grupos de elementos parecidos. | Segmentos de clientes según su comportamiento. |
| Reducción de dimensión | Una versión más simple de los datos. | Resumir cientos de variables en unas pocas. |
Algoritmos principales
No hace falta conocer cientos. Con estos se cubre la mayor parte de los problemas que aparecen en la práctica.
Regresión lineal y logística
Modelos simples e interpretables; el punto de partida habitual para predecir un número o una categoría.
Árboles de decisión
Dividen los datos con reglas sucesivas. Son fáciles de explicar.
Random forest y boosting
Combinan muchos árboles para mejorar la precisión. Son muy usados con datos tabulares.
K-means y clustering
Agrupan datos sin etiquetas según su similitud.
K vecinos más cercanos y SVM
Clasifican según la cercanía o el margen entre grupos.
Redes neuronales
Modelos de capas conectadas; la base del Deep Learning.
Consejo práctico: empezá siempre por un modelo simple como línea base. Si uno más complejo no lo supera con claridad, no vale la pena la complejidad extra.
Machine Learning vs Deep Learning
El Deep Learning es una subárea del ML que usa redes neuronales profundas para problemas más complejos, como el reconocimiento de voz o la visión por computadora.
| Aspecto | ML tradicional | Deep Learning |
|---|---|---|
| Datos necesarios | Funciona bien con volúmenes moderados. | Suele requerir grandes volúmenes. |
| Cómputo | Alcanza con una computadora común. | Suele requerir GPU o servicios en la nube. |
| Tipo de datos ideal | Tablas y datos estructurados. | Imágenes, audio y texto. |
| Interpretación | Más sencilla de explicar. | Más difícil de interpretar. |
| Ingeniería de variables | Importante y manual. | El modelo aprende gran parte de las representaciones. |
Con datos tabulares, un modelo de ML tradicional bien trabajado suele competir con una red neuronal, con menos costo. El Deep Learning aporta su ventaja con datos no estructurados. Las aplicaciones que hoy se ven en el lenguaje y las imágenes se explican en la guía de IA generativa.
Cómo se evalúa un modelo
Un modelo no vale por lo bien que ajusta los datos de entrenamiento, sino por lo bien que predice datos nuevos.
Conjuntos de datos
Entrenamiento
Los datos con los que el modelo aprende.
Validación
Sirven para comparar modelos y ajustar hiperparámetros.
Prueba
Se reservan hasta el final para medir el desempeño real. No se usan para tomar decisiones de diseño.
Métricas habituales
| Problema | Métrica | Qué mide |
|---|---|---|
| Clasificación | Accuracy | Proporción de aciertos totales. Puede engañar si las clases están desbalanceadas. |
| Clasificación | Precision y recall | Qué tan confiables son los positivos que predice y cuántos positivos reales encuentra. |
| Clasificación | F1 | Equilibrio entre precision y recall. |
| Regresión | MAE y RMSE | Tamaño promedio del error en las unidades del problema. |
| Regresión | R² | Qué parte de la variación de los datos explica el modelo. |
Sobreajuste (overfitting): el modelo memoriza los datos de entrenamiento y falla con datos nuevos. Fuga de datos (data leakage): el modelo usa, sin querer, información que no tendría al momento de predecir, y los resultados parecen mejores de lo que son.
Ejemplo: en un problema de fraude donde solo el 1 % de las transacciones son fraudulentas, un modelo que siempre responde “no es fraude” tiene 99 % de accuracy y no sirve para nada. Ahí importan precision y recall.
Otro caso en el que la tasa de aciertos puede engañar, según cómo se prepararon los datos, está desarrollado con un experimento en Cómo convertir variables categóricas a numéricas sin romper tu modelo.
- ¿Por qué no alcanza con medir el desempeño sobre los datos de entrenamiento?
Ver respuesta
Porque el modelo puede haber memorizado esos datos. Lo que importa es cómo se comporta con datos nuevos, y para eso se usa un conjunto de prueba que no participó del entrenamiento.
Ejemplos de Machine Learning en el mundo real
El ML está presente en casi todos los sectores.
Salud
Detección temprana de enfermedades y análisis de señales biomédicas.
Finanzas
Detección de fraudes y scoring crediticio.
Marketing
Segmentación de clientes y predicción de ventas.
Educación
Personalización de contenidos de aprendizaje.
Industria
Mantenimiento predictivo y control de calidad automatizado.
Transporte
Optimización de rutas y conducción autónoma.
Proyectos reales del Laboratorio de Datos
Estos proyectos usan datos abiertos y muestran el proceso completo, de los datos al modelo:
Herramientas para hacer ML con Python
Python es el lenguaje más usado para ML por su ecosistema de librerías. R sigue siendo fuerte en estadística.
| Herramienta | Para qué sirve |
|---|---|
| NumPy | Cálculo numérico con arreglos y matrices. |
| pandas | Cargar, limpiar y transformar datos tabulares. |
| Matplotlib y Seaborn | Visualización de datos y resultados. |
| scikit-learn | Algoritmos de ML, preprocesamiento y evaluación. Su guía de usuario oficial es una referencia excelente. |
| PyTorch y TensorFlow | Redes neuronales y Deep Learning. |
| Jupyter y Google Colab | Entornos para escribir código, ver resultados y documentar el análisis. |
Un paso previo habitual al entrenar es convertir las variables categóricas a números (One Hot, ordinal o target encoding). Se explica con código en Python en Cómo convertir variables categóricas a numéricas sin romper tu modelo.
Cómo se ubican estas herramientas en cada rol profesional lo vemos en la guía de roles y especialidades en datos.
Cómo empezar a aprender ML con Python
Aprender ML puede parecer intimidante, pero con el enfoque adecuado es un proceso accesible. Te recomendamos este orden.
Fundamentos matemáticos
Álgebra lineal, probabilidad y estadística. No hace falta un nivel de posgrado: alcanza con entender los conceptos que usan los modelos.
Python y sus librerías clave
NumPy, pandas, scikit-learn y Matplotlib. Más SQL para trabajar con bases de datos.
Algoritmos principales
Regresión, árboles de decisión, clustering y redes neuronales, entendiendo qué problema resuelve cada uno.
Proyectos reales
Aplicá lo aprendido a datos abiertos y documentá el proceso completo, desde el problema hasta la evaluación.
Técnicas avanzadas
Deep Learning, procesamiento de lenguaje natural y aprendizaje por refuerzo.
Recursos gratuitos para practicar
- La guía de usuario de scikit-learn, con explicaciones y ejemplos de cada algoritmo.
- Datasets públicos como los de datos.gob.ar, Kaggle y el repositorio UCI.
Para ver cómo encaja el ML dentro del trabajo completo con datos, consultá la guía de Ciencia de Datos.
Errores comunes al empezar
Saltar a lo complejo
Usar una red neuronal sin haber probado antes un modelo simple de referencia.
Evaluar mal
Medir en los datos de entrenamiento o mirar solo el accuracy en clases desbalanceadas.
Descuidar los datos
Dedicarle poco tiempo a la limpieza y a entender el problema, que es donde más se gana.
Ignorar el contexto
Optimizar una métrica sin preguntarse si resuelve el problema real ni qué sesgos puede traer. Ver la guía de ética y regulación en IA.
Preguntas frecuentes sobre Machine Learning
¿Qué es el Machine Learning en pocas palabras?
Es la parte de la IA en la que un sistema aprende patrones a partir de datos para predecir o clasificar, sin que alguien escriba una regla para cada caso. Ver ¿Qué es el Machine Learning?
¿Cuál es la diferencia entre IA, Machine Learning y Deep Learning?
La IA es el campo más amplio; el Machine Learning es la parte que aprende desde datos; y el Deep Learning es un tipo de ML que usa redes neuronales profundas. Ver ML vs Deep Learning.
¿Qué lenguaje conviene para aprender ML?
Python, por su ecosistema (NumPy, pandas, scikit-learn, PyTorch) y su comunidad. R es una buena alternativa en estadística. Ver Herramientas para hacer ML con Python.
¿Necesito saber mucha matemática?
Necesitás entender los conceptos básicos de álgebra lineal, probabilidad y estadística. No hace falta un nivel avanzado para empezar, y se puede profundizar a medida que avanzás.
¿Cuánta cantidad de datos hace falta?
Depende del problema y del algoritmo. Los modelos de ML tradicional funcionan bien con volúmenes moderados; el Deep Learning suele necesitar muchos más. Más que la cantidad, importa que los datos sean representativos y de buena calidad.
¿Qué es el sobreajuste?
Es cuando un modelo memoriza los datos de entrenamiento y falla con datos nuevos. Se detecta comparando el desempeño en entrenamiento y en prueba. Ver Cómo se evalúa un modelo.
¿Cómo armo mis primeros proyectos?
Elegí un dataset abierto que te interese, definí una pregunta clara, entrená primero un modelo simple y documentá el proceso. Los proyectos del Laboratorio de Datos sirven como modelo.
Cómo seguir después de esta guía
Ya tenés el mapa del Machine Learning, desde la idea hasta la evaluación. Estos son los próximos pasos:
- Ubicá el ML en el trabajo con datos: la guía de Ciencia de Datos muestra el ciclo completo de un proyecto.
- Conocé los avances recientes: la guía de IA generativa explica los modelos de lenguaje.
- Profundizá en la preparación de datos: el artículo sobre variables categóricas a numéricas muestra cómo elegir la codificación y qué métricas mirar.
- Armá tu primer proyecto: elegí un caso de los proyectos del Laboratorio de Datos y reproducilo con tus propios datos.
Esta guía es informativa y no reemplaza un plan de estudios. Si buscás formación estructurada, el instituto ofrece cursos de ciencia de datos online, diplomaturas en ciencia de datos y cursos on demand.
Fuentes consultadas en octubre de 2026: scikit-learn – User Guide. Definición de aprendizaje: T. Mitchell, Machine Learning (McGraw-Hill, 1997).