UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

UD1 · Selección de la estrategia de entrenamiento

MP02 · Entrenamiento de modelos de aprendizaje automático

Apuntes de IA y Datos

Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Objetivos de la unidad

Al finalizar esta unidad el alumno será capaz de:

  • Identificar y distinguir los cuatro paradigmas principales de aprendizaje automático
  • Seleccionar el paradigma más adecuado según los datos disponibles y el objetivo del problema
  • Decidir entre entrenar un modelo desde cero o aplicar fine-tuning sobre uno preentrenado
  • Clasificar las familias de modelos candidatos según el tipo de dato y la tarea
  • Documentar la estrategia de entrenamiento con criterios justificados y reproducibles
  • Describir las variables de entrada y salida del modelo y sus correlaciones
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Paradigmas de aprendizaje automático — Concepto

Los paradigmas de aprendizaje definen la relación entre los datos de entrada, las etiquetas y el mecanismo de actualización del modelo. La elección del paradigma es la primera decisión de diseño y condiciona la arquitectura, los datos necesarios y el proceso de evaluación.

Por qué importa:

  • Un paradigma incorrecto puede requerir datos que no existen o recursos inasumibles
  • Afecta directamente al coste computacional y al tiempo de desarrollo
  • Determina el tipo de evaluación y las métricas aplicables

En la industria, el paradigma se decide antes de elegir el framework o la arquitectura concreta.

Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Paradigmas — Los cuatro tipos fundamentales

Paradigma Datos necesarios Mecanismo Cuándo usarlo
Supervisado Etiquetados (X, y) Minimiza error respecto a etiqueta Clasificación, regresión con ground truth
No supervisado Sin etiquetar Encuentra estructura en los datos Clustering, reducción de dimensionalidad
Autosupervisado Sin etiquetar (genera sus propias supervisiones) Predice partes enmascaradas o rotadas Pre-entrenamiento de LLMs y modelos de visión
Por refuerzo Retroalimentación de recompensa Maximiza recompensa acumulada Agentes, juegos, decisiones secuenciales
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Paradigmas — Criterios de elección

Árbol de decisión simplificado:

¿Disponemos de etiquetas?
├─ Sí, abundantes y fiables  →  Supervisado
├─ Sí, pero muy pocas         →  Autosupervisado + Fine-tuning supervisado
└─ No                          →  No supervisado
       ├─ Agrupar datos        →  Clustering
       └─ Aprender a actuar    →  Aprendizaje por refuerzo

Factores adicionales:

  • Volumen de datos disponibles (cantidad y calidad)
  • Restricciones de cómputo y tiempo de entrenamiento
  • Necesidad de interpretabilidad en el resultado
  • Normativa aplicable (p. ej. sistemas de IA de alto riesgo, Reglamento de IA UE)
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Paradigmas — Ejemplo práctico por dominio

Dominio Tarea concreta Paradigma elegido Razón
Salud Detección de tumores en radiografías Supervisado Hay imágenes etiquetadas por radiólogos
Retail Segmentación de clientes No supervisado No existe categoría previa de cliente
PLN Asistente de atención al cliente Autosupervisado + Fine-tuning Modelo base preentrenado, ajustado con ejemplos propios
Manufactura Robot de ensamblaje adaptativo Por refuerzo Aprende por prueba-error en simulación
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Entrenar desde cero vs. fine-tuning — Concepto

Entrenar desde cero (training from scratch): el modelo inicializa sus pesos de forma aleatoria y aprende todo a partir del conjunto de datos propio.

Fine-tuning: se parte de un modelo preentrenado en un corpus masivo y se ajustan algunos pesos sobre datos específicos del dominio.

Por qué este análisis es crítico:

  • Elegir entrenar desde cero con pocos datos lleva al sobreajuste inevitable
  • El fine-tuning mal planteado puede destruir el conocimiento previo del modelo base (catastrophic forgetting)
  • La decisión afecta a hardware, tiempo de proyecto y coste económico
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Entrenar desde cero vs. fine-tuning — Tabla comparativa

Criterio Entrenar desde cero Fine-tuning
Volumen de datos mínimo Millones de ejemplos Cientos o miles
Recursos de cómputo Muy elevados (GPU cluster) Moderados (1-4 GPU)
Tiempo de desarrollo Semanas o meses Horas o días
Especialización General o de dominio amplio Muy especializado
Riesgo de sobreajuste Bajo (con datos suficientes) Alto con pocos datos
Coste económico Alto Bajo-moderado
Flexibilidad de arquitectura Total Limitada al modelo base
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Entrenar desde cero vs. fine-tuning — Práctica

# Ejemplo: Fine-tuning de un clasificador de imágenes con PyTorch
import torch
import torchvision.models as models
import torch.nn as nn

# Cargar modelo preentrenado (ResNet-50 en ImageNet)
modelo = models.resnet50(pretrained=True)

# Congelar todos los pesos (solo entrenaremos la cabeza)
for param in modelo.parameters():
    param.requires_grad = False

# Sustituir la capa final por el número de clases del dominio propio
num_clases = 5  # ejemplo: 5 tipos de defectos en manufactura
modelo.fc = nn.Linear(modelo.fc.in_features, num_clases)

# Solo los parámetros de la cabeza se actualizarán
optimizer = torch.optim.Adam(modelo.fc.parameters(), lr=1e-3)

La variable requires_grad = False congela las capas preentrenadas. Solo la nueva capa fc aprende.

Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Familias de modelos candidatos — Concepto

Antes de elegir una arquitectura concreta, se selecciona la familia de modelos más adecuada a la naturaleza del dato y el objetivo. Esta elección determina la complejidad del pipeline, los recursos y las herramientas a utilizar.

Por qué delimitar la familia primero:

  • Cada familia requiere preprocesamiento específico (normalización, tokenización, augmentación...)
  • Las familias tienen ecosistemas de herramientas distintos
  • La familia condiciona los recursos de inferencia en producción
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Familias de modelos — Tabla de referencia

Familia Naturaleza del dato Arquitectura típica Framework habitual
ML clásico Tabular, estructurado Random Forest, XGBoost, SVM, KNN Scikit-learn
Redes neuronales DNN Tabular complejo, series MLP, capas densas PyTorch, Keras
Modelos de visión Imagen, vídeo CNN (ResNet, EfficientNet), ViT PyTorch, TF
Modelos de lenguaje Texto, código Transformer, BERT, GPT HuggingFace
Series temporales Secuencias temporales LSTM, GRU, Temporal Fusion Transformer PyTorch, Prophet
Grafos Datos relacionales en red GNN, GraphSAGE PyG, DGL
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Familias de modelos — Criterios técnicos de selección

ML clásico es preferible cuando:

  • Los datos son tabulares con menos de 100K filas
  • Se requiere interpretabilidad nativa (árbol de decisión, coeficientes)
  • El tiempo de entrenamiento es un factor crítico

Redes neuronales profundas son preferibles cuando:

  • Las relaciones entre variables son no lineales y complejas
  • Se dispone de grandes volúmenes de datos
  • El hardware GPU está disponible

Modelos preentrenados (visión o lenguaje) son preferibles cuando:

  • El dominio tiene suficiente similitud con los datos de preentrenamiento
  • Los datos propios son escasos o difíciles de obtener
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Variables de entrada y salida — Concepto

El documento de variables es un artefacto fundamental de la estrategia. Define formalmente qué entra al modelo, qué sale y qué relaciones existen entre variables. Sin este documento, el equipo técnico trabaja con supuestos implícitos que generan errores difíciles de detectar.

Qué incluye:

  • Lista de features de entrada con tipo, rango y origen
  • Variable(s) objetivo con tipo (categórica, continua, binaria...)
  • Correlaciones detectadas en el análisis exploratorio
  • Variables descartadas y razón de exclusión
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Variables de entrada y salida — Análisis de correlaciones

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_csv("dataset_entrenamiento.csv")

# Matriz de correlación de Pearson para variables numéricas
correlaciones = df.select_dtypes(include='number').corr()

# Visualización como mapa de calor
plt.figure(figsize=(10, 8))
sns.heatmap(correlaciones, annot=True, fmt=".2f",
            cmap="coolwarm", center=0)
plt.title("Correlaciones entre variables de entrada")
plt.tight_layout()
plt.savefig("correlaciones.png", dpi=150)

# Variables con correlacion alta con el target (>0.5 o <-0.5)
target = "precio_venta"
correlaciones_target = correlaciones[target].abs().sort_values(ascending=False)
print(correlaciones_target[correlaciones_target > 0.5])
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Variables de entrada y salida — Plantilla de documento

Variable Tipo Rango / Categorías Origen Correlación con target Incluida
superficie_m2 Numérica continua 20 – 800 CRM 0.78 Sí
num_habitaciones Numérica entera 1 – 10 CRM 0.61 Sí
codigo_postal Categórica nominal 28 valores CRM — Sí (codificada)
id_propietario Identificador Único por fila CRM — No (leakage)
precio_venta Numérica continua 80K – 1.2M CRM — Target

Campos obligatorios del documento: nombre, tipo, rango, fuente, correlación con target, decisión de inclusión y razón.

Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Documentación de la estrategia de entrenamiento

La estrategia debe documentarse como un artefacto formal que forme parte del historial del proyecto. Su función es triple: sirve como contrato entre el equipo técnico y los stakeholders, garantiza la reproducibilidad del proceso y facilita la auditoría.

Secciones mínimas del documento de estrategia:

  • Descripción del problema: objetivo, tipo de tarea, restricciones
  • Paradigma seleccionado: con justificación y alternativas descartadas
  • Decisión sobre fine-tuning o scratch: criterios que llevaron a la decisión
  • Familia de modelos candidatos: seleccionados y descartados con razón
  • Variables de entrada y salida: con tabla de correlaciones
  • Restricciones de cómputo: hardware disponible, tiempo máximo, presupuesto
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Actividad práctica — UD1

Contexto: Una empresa de logística quiere predecir si un paquete llegará tarde (sí/no) a partir de datos históricos de envíos: peso, distancia, tipo de servicio, zona geográfica, fecha de envío.

Tareas:

  1. Identifica el paradigma de aprendizaje más adecuado y justifica la decisión
  2. Decide entre entrenar desde cero o aplicar fine-tuning. Argumenta con al menos 3 criterios
  3. Selecciona la familia de modelos más apropiada para este caso y descarta al menos una alternativa
  4. Construye la tabla de variables de entrada: tipo, rango estimado, hipótesis de correlación con el target
  5. Redacta el apartado "Descripción del problema" del documento de estrategia (máx. 150 palabras)

Entregable: Documento de estrategia en formato Markdown con las 5 secciones cubiertas.

Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Puntos clave — UD1

  • El paradigma de aprendizaje se determina por la disponibilidad de etiquetas, el objetivo y las restricciones, no por las preferencias del equipo
  • Fine-tuning es la opción por defecto cuando existe un modelo preentrenado en el dominio y los datos propios son escasos
  • La familia de modelos se elige por la naturaleza del dato (tabular, imagen, texto), no por el framework de moda
  • El documento de variables es un artefacto obligatorio: sin él, las decisiones de preprocesamiento y arquitectura son arbitrarias
  • Documentar las alternativas descartadas y su razón es tan importante como documentar la elección final
  • La estrategia de entrenamiento es la base de todo el proceso: errores aquí se propagan y amplifican en fases posteriores
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Criterios de evaluación — UD1

Criterio Indicador de logro
Determina el paradigma adecuado Identifica el paradigma correcto y descarta los inadecuados con argumentos técnicos
Justifica la familia de modelos Relaciona la naturaleza del dato con la familia seleccionada; descarta alternativas
Documenta la estrategia Produce un documento estructurado con problema, paradigma, familia, variables y restricciones
Analiza variables de entrada y salida Construye la tabla de variables con tipo, rango, correlación y decisión de inclusión
Decide sobre fine-tuning Aplica los criterios de volumen, recursos y similitud de dominio correctamente
Apuntes de IA y Datos
UD1 · Selección de la estrategia de entrenamiento | MP02 · Entrenamiento de modelos de aprendizaje automático

Volver al módulo  ·  UD2 · Configuración del modelo y de… →

Apuntes de IA y Datos

nav-slide