Los modelos de machine learning solo funcionan bien si las features que los alimentan son consistentes, actualizadas y confiables. En este episodio te explicamos qué es una Feature Store, cómo funciona y por qué es clave para escalar proyectos de data science.

Hablamos de herramientas como Feast, Tecton y Vertex AI Feature Store, y cómo estas plataformas conectan el mundo del DataOps con el MLOps.

Si quieres que tus modelos sean realmente productivos, este episodio es para ti.

Cuando los datos tienen demasiadas dimensiones, los patrones se esconden. En este episodio te contamos cómo los algoritmos t-SNE y UMAP te permiten reducir esa complejidad y descubrir estructuras ocultas en los datos.

Exploramos sus diferencias, casos de uso y cómo aplicarlos para visualizar clusters, embeddings o grupos de clientes.

🎯 Si te gusta entender tus datos más allá de las tablas, este episodio es para ti.

Cuando tienes demasiadas variables, los patrones se esconden. El Análisis de Componentes Principales (PCA) te ayuda a reducir la complejidad de los datos sin perder lo importante.

En este episodio te explicamos cómo funciona, por qué es tan usado en ciencia de datos y cómo aplicarlo para visualizar, comprimir o limpiar datasets.

Si quieres entender cómo resumir tus datos sin perder información clave, este episodio es para ti.

Los modelos, dashboards y análisis solo son tan buenos como los datos que los alimentan. En este episodio te contamos qué es DataOps, la metodología que garantiza que los datos fluyan limpios, confiables y actualizados desde el origen hasta tus modelos.

Exploramos sus pilares (automatización, calidad, versionado y monitoreo), herramientas populares y ejemplos reales de cómo aplicarlo en equipos de datos modernos.

Si quieres entender cómo se construye una base sólida para toda la analítica y el machine learning, este episodio es para ti.

Entrenar un modelo es solo el comienzo. En este episodio te contamos cómo construir pipelines de Machine Learning y llevarlos al siguiente nivel con MLOps, la práctica que conecta la ciencia de datos con la ingeniería para automatizar, desplegar y monitorear modelos en producción.

Aprenderás qué herramientas se usan (Airflow, MLflow, Docker, Kubernetes), cómo mantener modelos actualizados y cómo evitar el caos de los “notebooks eternos”.

Si quieres que tus modelos no se queden en el laboratorio, sino que generen valor real en el negocio, este episodio es para ti.

Un modelo que predice bien no siempre es suficiente. Si no podemos explicar sus resultados, nadie lo va a usar con confianza.

En este episodio hablamos de explicabilidad en machine learning: qué es, por qué es tan importante y cómo herramientas como LIME y SHAP nos ayudan a entender qué está pasando dentro de un modelo.

Si quieres que tus modelos no solo acierten, sino que también inspiren confianza y decisiones reales en el negocio, este episodio es para ti.

Dos enemigos clásicos de cualquier modelo: overfitting y underfitting. Uno aprende demasiado y falla en lo nuevo; el otro aprende tan poco que no sirve ni en lo viejo.

En este episodio explicamos qué son, cómo detectarlos y qué estrategias usar para mantener el equilibrio. Desde analogías simples hasta ejemplos reales en retail y finanzas, te mostramos cómo lograr que tu modelo generalice de verdad.

Si quieres que tu modelo no solo luzca bien en papel, sino que funcione en el mundo real, este episodio es para ti.

Todos los días producimos toneladas de texto: correos, redes sociales, mensajes. El Procesamiento de Lenguaje Natural (NLP) es el área que permite a las máquinas analizar y comprender ese lenguaje.

En este episodio explicamos desde las técnicas clásicas como Bag of Words y TF-IDF, hasta los primeros modelos de análisis de sentimientos y clasificación de texto, abriendo la puerta a los avances modernos como embeddings y Transformers.

Si quieres descubrir cómo los datos en texto se transforman en conocimiento, este episodio es para ti.