/ml--dataset-prep

Diseña variables para un problema tabular dentro de un pipeline que evita la fuga de datos: codificaciones, escalado e interacciones.

Da a un proyecto de ML reproducibilidad, seguimiento de experimentos, registro de modelos e integración continua, ajustado al tamaño del equipo.

Lleva un modelo entrenado a producción: patrón de servicio por lotes u online, API, empaquetado, monitorización y detección de deriva.

Evalúa un modelo más allá de un solo número: métricas según el coste de cada error, calibración, rendimiento por segmentos y análisis de fallos.

Entrena un modelo con método: primero una línea base simple, luego el modelo más sencillo que sirva, con validación cruzada y ajuste de parámetros.

Construye un recomendador que supere a un baseline de popularidad: elige enfoque, resuelve el arranque en frío y lo evalúa offline.