Machine Learning con criterio — Tomo 1

Del tutorial que copiaste al proyecto que podés defender.

Sabés entrenar un modelo. La pregunta incómoda llega después: ¿por qué elegiste ese y no otro? Este libro es sobre esa pregunta.

Qué recibís

• El Tomo 1 en PDF — 105 páginas, 9 capítulos, más un adelanto del Tomo 2.
• Los 10 notebooks del libro, uno por capítulo, listos para Jupyter o Google Colab. Vienen en un ZIP en la misma descarga.
• Los ejercicios con sus soluciones, también como notebooks ejecutables.
• El generador de datos, para que reproduzcas exactamente los mismos números que leés en el libro.

Por qué es distinto

Cada número del libro sale de un notebook que podés correr. No es una promesa: el código se extrae del libro publicado, se ejecuta y cada salida se compara contra lo que el texto afirma. Si algo no coincide, no se publica.

Todo corre en pandas 3.0 y scikit-learn 1.8. Buena parte del material que vas a encontrar buscando enseña APIs que ya no existen.

Evaluación como se hace en producción: AUC, el umbral como decisión de negocio, desbalance de clases y fuga de información medida — no estimada. Es lo que los libros de casos clásicos dejan afuera.

Números honestos. Vas a ver un baseline que le gana a un modelo, un modelo con R² negativo y una regularización que no mejora nada. Cuando eso pasa, el libro lo dice y explica por qué.

Para quién es

Programás en Python a nivel básico o intermedio, aprendiste machine learning en tutoriales sueltos y sentís que sabés hacer pero no explicar. Tu objetivo real es conseguir trabajo o subir de nivel.

Para quién no

Si nunca programaste, empezá por Python y volvé después. Si buscás deep learning o modelos de lenguaje, esto es machine learning clásico.

Precio de lanzamiento: AR$ 8.000 hasta el 10 de octubre. Desde el 11 pasa a AR$ 10.000. La descarga del PDF y de los notebooks es inmediata — no esperás nada. Pagás con Mercado Pago, tarjeta de crédito o débito, o PayPal.