Este bloque construye intuición mecánica sobre machine learning: no buscamos implementar algoritmos, sino entender qué hacen, cuándo fallan, y qué preguntas hacer antes de confiar en sus predicciones. Cada unidad conecta un concepto técnico de ML con sus implicaciones para la inteligencia colectiva y los sistemas híbridos.
Lecturas fundamentales del bloque
James et al. (2023) ISLR caps. 2–4, 10 · Goodfellow, Bengio & Courville (2016) Deep Learning · Rudin (2019) "Stop Explaining Black Box Models" · O'Neil (2016) Weapons of Math Destruction · Buolamwini & Gebru (2018) "Gender Shades"
Texto teórico completo
Toda la teoría del bloque en un solo documento — optimización, bias-varianza, clasificación, redes neuronales, sesgos algorítmicos con resúmenes de fuentes: Texto Teórico Completo del Bloque 2.
Unidades del bloque
Unidad 2.1 · Semanas 15–16
Optimización y loss functions
Qué significa "aprender" para una máquina: minimizar una función de error. Gradient descent, learning rate, convergencia y divergencia. La metáfora de caminar cuesta abajo con los ojos vendados.
Comenzar unidad →
Unidad 2.2 · Semanas 17–18
Bias-varianza
El dilema fundamental: un modelo demasiado simple ignora la señal (underfitting); uno demasiado complejo memoriza el ruido (overfitting). Cómo encontrar el equilibrio y por qué esto importa para decisiones reales.
Comenzar unidad →
Unidad 2.3 · Semanas 19–20
Clasificación y fronteras de decisión
Cómo un algoritmo traza una línea entre categorías. Regresión logística, SVM, y el parámetro de regularización. Qué cambia cuando movemos la frontera y quién queda del lado equivocado.
Comenzar unidad →
Unidad 2.4 · Semanas 21–22
Redes neuronales
Neuronas artificiales, capas, activación, backpropagation. No como receta técnica sino como modelo conceptual: por qué las redes profundas pueden aproximar cualquier función — y por qué eso no implica que "entiendan."
Comenzar unidad →
Unidad 2.5 · Semanas 23–24
Sesgos algorítmicos
Cuando la máquina hereda los sesgos de sus datos. Gender Shades, COMPAS, redlining algorítmico. Fairness, accountability y la pregunta difícil: ¿quién decide qué es "justo" para un algoritmo?
Comenzar unidad →