Volver al módulo
Contactar
Next Educación Universidad Isabel I
Módulo 3 · UD1 · Sesión 3 de 12

Árboles y modelos de conjunto

Modelos de Aprendizaje Automático · 6 ECTS
Máster en Inteligencia Artificial, Automatización y Agentes Digitales
Sami Halawa Ribas
UD1. Flujo de ML y modelos supervisados
Curso 2026-2027
Next Educación · Universidad Isabel I
UD1 · Flujo de ML y modelos supervisados

Objetivos y recorrido

Árboles y modelos de conjunto

Al terminar la sesión

  • Comprender el funcionamiento de árboles, bosques y boosting.
  • Ajustar gradient boosting con criterio.
  • Reconocer sus modos de fallo.

Recorrido

  1. Árboles
  2. Conjuntos
  3. Modos de fallo
  4. Práctica: Gradient boosting ajustado
Next Educación
Máster en Inteligencia Artificial, Automatización y Agentes Digitales
M3 · UD1 · Sesión 3
Modelos de Aprendizaje Automático
Idea central

El gradient boosting gana casi siempre en dato tabular, y casi siempre pierde en cuanto se le pide extrapolar fuera del rango observado.

Los modelos de conjunto sobre árboles son el estándar de facto en tabular: precios, riesgo, propensión, previsión de demanda a corto plazo. Su coste está en el mantenimiento, no en el ajuste: hiperparámetros mal entendidos, categóricas de alta cardinalidad y una inferencia que puede multiplicar por diez la del modelo lineal. Conviene conocer sus modos de fallo antes de comprometer una integración.
Fin de la vista previa

Has visto 3 de las 18 diapositivas de esta sesión

El resto del material del máster está reservado a personas registradas. El registro es gratuito y abre completas las dos primeras sesiones de cada módulo publicado.

Volver al material