Artículos prácticos, en lenguaje sencillo, sobre aprendizaje automático, estadística y desarrollo con Python.
Aprende por qué los ciclos fila por fila hacen que Pandas sea dolorosamente lento y cómo las operaciones vectorizadas, np.select y groupby ofrecen una aceleración de 10,000x con cambios mínimos en el código.
Aprende cuándo usar la correlación de Pearson, Spearman o Kendall en Python — y por qué un puntaje bajo puede significar que simplemente elegiste la herramienta incorrecta para tus datos.
Aprende cuándo realmente necesitas una base de datos vectorial dedicada frente a pgvector o FAISS, con un marco de decisión práctico basado en la escala, la latencia y la complejidad.
Reemplaza los dataframes intermedios desordenados con cadenas de métodos limpias de Pandas usando .assign(), .pipe() y .query() para construir pipelines de datos legibles y mantenibles.
Domina las funciones de ventana de SQL para ciencia de datos: totales acumulados, RANK, LAG, NTILE y los errores comunes que hacen tropezar a los candidatos en entrevistas técnicas.
Comprende cómo los datos agregados inducen a error a los científicos de datos y los llevan a tomar decisiones incorrectas, y descubre por qué estratificar tu análisis es clave para revelar la verdad.
El ajuste de hiperparámetros infla los puntajes de validación debido al sesgo de optimización: aprende cómo la validación cruzada anidada con Optuna te ofrece estimaciones honestas.
Aprende a modelar estacionalidades superpuestas y el efecto halo navideño en Prophet con series de Fourier y el ajuste de la escala previa para que tus pronósticos sobrevivan al auge de la Navidad.