Tutoriales de Ciencia de Datos

Descubre qué es una matriz ampliada, cómo representa sistemas de ecuaciones y cómo usar operaciones por filas para resolverlos.

Descubre qué es un gráfico de residuos, cómo interpretar los patrones más comunes y cómo te ayuda a detectar no linealidad, heterocedasticidad, outliers y otros problemas de regresión.

Aprende qué son los mínimos y máximos, en qué se diferencian los extremos locales y globales, y cómo encontrarlos con puntos críticos, pruebas de primera y segunda derivada y el método del intervalo cerrado.

Descubre qué es una matriz invertible, cómo saber si una matriz lo es y por qué las inversas son clave en álgebra lineal y ciencia de datos.

Descubre cómo SARIMA amplía ARIMA para manejar la estacionalidad, entiende sus siete parámetros y construye un modelo funcional en Python desde la recopilación de datos hasta la predicción.

Saber por qué surgen las relaciones espurias, desde factores de confusión hasta sesgos de muestreo, es lo que separa un hallazgo real de una coincidencia estadística.

Un tutorial para principiantes que muestra cómo funciona Git y por qué es clave en proyectos de ciencia de datos.

Descubre cómo una canalización MLOps de extremo a extremo predice los resultados del Mundial 2026, desde el reentrenamiento automático y DVC hasta una simulación de Monte Carlo de 10.000 ejecuciones del cuadro.

La estimación de densidad por kernel es un método no paramétrico para estimar la forma de una distribución sin asumir un modelo fijo. Aprende la fórmula, cómo elegir el ancho de banda y cómo implementarla en Python y R con ejemplos prácticos.

Guía práctica de la regresión con splines: cómo los polinomios a trozos y los nudos modelan relaciones no lineales, los tipos principales de splines y cómo ajustarlos en Python y R.

Una guía práctica de los supuestos de la regresión logística, los diagnósticos que detectan incumplimientos en Python y R, y las alternativas cuando no se cumplen.

Un recorrido detallado por el overfitting y el underfitting en machine learning: cómo identificar cada fallo, por qué ocurre y cómo solucionarlo mediante el compromiso sesgo-varianza.