Data Science para Todos
Data Science para Todos es un podcast donde la ciencia de datos se explica de manera simple, cercana y práctica. Con el apoyo de la inteligencia artificial, desglosa conceptos complejos en un lenguaje claro y útil. Muestra cómo los datos pueden transformar negocios, salud, deporte y la vida cotidiana. Está pensado para principiantes, profesionales y curiosos que quieren entender y aplicar el poder de los datos.
Episodios
IA Generativa – Cómo las máquinas crean contenido desde cero
La inteligencia artificial ya no solo predice: ahora crea.Texto, imágenes, música, videos, código… todo generado por modelos avanzados capaces de aprender patrones complejos y producir contenido nuevo.En este episodio exploramos:🔹 Qué es la IA Generativa y por qué es tan disruptiva🔹 Cómo funcionan modelos como GANs, Diffusion Models y LLMs🔹 Casos de uso reales en empresas y productos🔹 Riesgos, éti
LLMs – La nueva era de la inteligencia artificial
Los modelos de lenguaje masivo (LLMs) están cambiando el mundo. En este episodio te contamos qué son, cómo funcionan y por qué están transformando la ciencia de datos, el análisis y la forma en que trabajamos.Exploramos su historia, arquitectura (Transformers), casos de uso reales y lo que viene: modelos abiertos, multimodales y especializados.Si quieres entender cómo llegamos a ChatGPT y por qué
Feature Store – El corazón de los modelos productivos
Los modelos de machine learning solo funcionan bien si las features que los alimentan son consistentes, actualizadas y confiables. En este episodio te explicamos qué es una Feature Store, cómo funciona y por qué es clave para escalar proyectos de data science.Hablamos de herramientas como Feast, Tecton y Vertex AI Feature Store, y cómo estas plataformas conectan el mundo del DataOps con el MLOps.S
t-SNE y UMAP – Visualizando el caos de los datos complejos
Cuando los datos tienen demasiadas dimensiones, los patrones se esconden. En este episodio te contamos cómo los algoritmos t-SNE y UMAP te permiten reducir esa complejidad y descubrir estructuras ocultas en los datos.Exploramos sus diferencias, casos de uso y cómo aplicarlos para visualizar clusters, embeddings o grupos de clientes.🎯 Si te gusta entender tus datos más allá de las tablas, este epis
PCA – Simplifica tus datos sin perder la esencia
Cuando tienes demasiadas variables, los patrones se esconden. El Análisis de Componentes Principales (PCA) te ayuda a reducir la complejidad de los datos sin perder lo importante.En este episodio te explicamos cómo funciona, por qué es tan usado en ciencia de datos y cómo aplicarlo para visualizar, comprimir o limpiar datasets.Si quieres entender cómo resumir tus datos sin perder información clave
DataOps – El flujo invisible que hace posible la ciencia de datos
Los modelos, dashboards y análisis solo son tan buenos como los datos que los alimentan. En este episodio te contamos qué es DataOps, la metodología que garantiza que los datos fluyan limpios, confiables y actualizados desde el origen hasta tus modelos.Exploramos sus pilares (automatización, calidad, versionado y monitoreo), herramientas populares y ejemplos reales de cómo aplicarlo en equipos de
Del dato al modelo – Construyendo y automatizando pipelines de Machine Learning con MLOps
Entrenar un modelo es solo el comienzo. En este episodio te contamos cómo construir pipelines de Machine Learning y llevarlos al siguiente nivel con MLOps, la práctica que conecta la ciencia de datos con la ingeniería para automatizar, desplegar y monitorear modelos en producción.Aprenderás qué herramientas se usan (Airflow, MLflow, Docker, Kubernetes), cómo mantener modelos actualizados y cómo ev
Explicabilidad – Entender el porqué detrás de los modelos
Un modelo que predice bien no siempre es suficiente. Si no podemos explicar sus resultados, nadie lo va a usar con confianza.En este episodio hablamos de explicabilidad en machine learning: qué es, por qué es tan importante y cómo herramientas como LIME y SHAP nos ayudan a entender qué está pasando dentro de un modelo.Si quieres que tus modelos no solo acierten, sino que también inspiren confianza
Overfitting vs Underfitting – El dilema eterno del machine learning
Dos enemigos clásicos de cualquier modelo: overfitting y underfitting. Uno aprende demasiado y falla en lo nuevo; el otro aprende tan poco que no sirve ni en lo viejo.En este episodio explicamos qué son, cómo detectarlos y qué estrategias usar para mantener el equilibrio. Desde analogías simples hasta ejemplos reales en retail y finanzas, te mostramos cómo lograr que tu modelo generalice de verdad
NLP – Cómo enseñar a las máquinas a entender texto
Todos los días producimos toneladas de texto: correos, redes sociales, mensajes. El Procesamiento de Lenguaje Natural (NLP) es el área que permite a las máquinas analizar y comprender ese lenguaje.En este episodio explicamos desde las técnicas clásicas como Bag of Words y TF-IDF, hasta los primeros modelos de análisis de sentimientos y clasificación de texto, abriendo la puerta a los avances moder
Inteligencia Artificial y Ciencia de Datos – La dupla que está cambiando el mundo
Volviendo a los inicios, aquí está la esencia de todo: la inteligencia artificial y la ciencia de datos. No son lo mismo, pero se complementan de tal forma que hoy están transformando la manera en que vivimos, trabajamos y nos comunicamos.En este episodio exploramos cómo se conectan, qué aplicaciones reales tienen en retail, salud, finanzas, transporte y creatividad, y también los desafíos éticos
Regularización – Cómo evitar que tu modelo se enamore demasiado de los datos
Un modelo demasiado flexible termina “aprendiéndose de memoria” los datos y falla al generalizar. Eso es el temido overfitting.En este episodio te contamos cómo la regularización (Ridge, Lasso y ElasticNet) ayuda a controlar ese problema, seleccionando variables y simplificando modelos para que sean más robustos.Si quieres que tus predicciones funcionen también en el mundo real, este episodio es p
Gradiente Decreciente – El motor detrás del aprendizaje automático
¿Sabías que detrás de cada modelo de machine learning hay un pequeño algoritmo empujando para que aprenda? Ese algoritmo se llama Gradiente Decreciente.En este episodio te explicamos con ejemplos claros cómo funciona, por qué es clave para entrenar desde una simple regresión hasta una red neuronal, y qué errores evitar para que tu modelo realmente aprenda.Si quieres entender cómo aprenden las máqu
Redes neuronales – Cómo las máquinas aprenden como el cerebro
Las redes neuronales son la inspiración detrás de la revolución de la inteligencia artificial. En este episodio te contamos cómo funcionan, por qué se parecen a nuestro cerebro y cómo se usan hoy en día para reconocer imágenes, analizar texto y predecir patrones complejos.Explicamos sus componentes básicos, el proceso de entrenamiento y ejemplos reales, todo de forma clara y sencilla.Si quieres en
Prophet – Predicciones robustas para retail y más
Prophet es el modelo favorito de muchos equipos porque maneja estacionalidades y feriados sin dolor. En este episodio te mostramos cómo aplicar Prophet para pronosticar ventas, planificar inventarios y anticipar picos por quincenas, feriados o campañas.Aprenderás a preparar tus datos, sumar regresores (promos, precio), ajustar parámetros clave y evaluar el rendimiento con backtesting.Si trabajas e
ARIMA y SARIMA – Pronostica el futuro con series de tiempo
En este episodio te mostramos cómo usar ARIMA y SARIMA para pronosticar con precisión basándote en datos históricos. Desde ventas y demanda, hasta temperatura o tráfico web, estos modelos clásicos siguen siendo referentes en la ciencia de datos.Te explicamos paso a paso cómo funcionan, qué significan sus parámetros, cuándo usar cada uno y cómo aplicarlos en casos reales de negocio.Si quieres empez
Gradient Boosting – El modelo que rompe récords en predicción
Si alguna vez te preguntaste qué modelo usan los ganadores de competencias de machine learning, la respuesta casi siempre es Gradient Boosting.En este episodio te explicamos paso a paso qué lo hace tan especial, cómo funciona, por qué es más preciso que otros modelos, y cómo usar librerías como XGBoost, LightGBM y CatBoost. Casos reales, buenas prácticas y todo lo que necesitas para sacarle el máx
Optimización de hiperparámetros – Cómo llevar tu modelo de bueno a brutal
Los hiperparámetros pueden ser la diferencia entre un modelo mediocre y uno espectacular. En este episodio te explicamos cómo optimizarlos usando técnicas como Grid Search, Random Search y Bayesian Optimization, con ejemplos prácticos y herramientas fáciles de usar.Si quieres que tus modelos rindan al máximo, este episodio es para ti.
Métricas para modelos – No todo es accuracy
El accuracy es solo la punta del iceberg. En este episodio te enseñamos cómo evaluar realmente el desempeño de tus modelos de machine learning con las métricas correctas.Hablamos de precision, recall, F1-score, AUC, R² y más, con ejemplos prácticos y casos reales. Porque no todas las predicciones se miden igual, y usar la métrica equivocada puede costarte caro.Si quieres que tus modelos hablen con
Validación de modelos – No te creas cualquier predicción
Un modelo que parece perfecto… puede ser una mentira. En este episodio te explicamos por qué la validación es la verdadera prueba de fuego para cualquier modelo de machine learning.Descubre cómo detectar si tu modelo está sobreajustado, qué métricas elegir según tu objetivo y cómo usar validación cruzada para asegurarte de que tus predicciones sean confiables.Si quieres modelos que realmente funci
Reducción de dimensionalidad – Simplifica tus datos sin perder lo importante
En este episodio te explicamos cómo menos es más cuando trabajas con datos. La reducción de dimensionalidad es la técnica que permite resumir grandes datasets en sus variables más relevantes, facilitando el análisis y mejorando los modelos.Hablamos de métodos como PCA y t-SNE, casos reales donde son útiles y cómo implementarlos sin volverte loco. Porque no siempre más datos significan mejores resu
Clustering con K-Means – Encuentra patrones donde nadie más los ve
En este episodio nos adentramos en el mundo del machine learning no supervisado, y te explicamos cómo el algoritmo K-Means puede ayudarte a descubrir grupos ocultos dentro de tus datos, sin necesidad de etiquetas ni categorías previas.Desde la segmentación de clientes hasta el análisis de productos o perfiles de riesgo, el clustering te permite ver conexiones que no están a simple vista. Te explic
Árboles de decisión y Random Forest – Predicción con lógica y precisión
En este episodio desglosamos dos de los modelos más populares y poderosos del machine learning: los árboles de decisión y el Random Forest. Aprenderás cómo funcionan, para qué sirven y por qué son tan utilizados cuando se necesita tomar decisiones inteligentes con datos.Desde casos como aprobar un crédito, recomendar un producto o predecir una enfermedad, estos modelos nos ayudan a tomar decisione
Secuencia de Markov – Cómo predecir el futuro con estados del presente
En este episodio exploramos las cadenas de Markov, una herramienta matemática clave cuando lo que viene depende solo del estado actual, y no del pasado.Te explicamos qué son, cómo funcionan y por qué son tan útiles en ciencia de datos. Desde predecir el clima o el comportamiento de usuarios en una web, hasta modelar secuencias en lenguaje natural o cambios en los estados financieros, las secuencia
Simulaciones de Monte Carlo – Datos, incertidumbre y predicción
En este episodio exploramos las poderosas simulaciones de Monte Carlo, una técnica esencial cuando se trata de tomar decisiones en escenarios inciertos. Desde predecir ventas, gestionar inventarios, evaluar riesgos financieros o estimar el éxito de un tratamiento médico, Monte Carlo permite crear miles de posibles futuros... y prepararnos para ellos.Hablamos de cómo funciona, por qué es tan útil e
Regresión logística – Cuando la predicción es sí o no
En este episodio de Data Science para todos, exploramos la regresión logística, una técnica clave cuando queremos predecir resultados binarios: ¿un cliente comprará o no? ¿una transacción es fraudulenta o legítima? ¿un paciente tiene una enfermedad o no?Te explicamos de forma sencilla cómo funciona este modelo, qué lo diferencia de la regresión lineal y cómo preparar tus datos para este tipo de an
¿Se puede predecir el futuro? Con regresión lineal, sí
En este episodio, te enseñamos cómo la regresión lineal puede ayudarte a predecir lo que viene, desde ventas futuras hasta comportamientos del mercado. Explicamos paso a paso cómo preparar tus datos, identificar las variables clave y construir tu primer modelo de predicción sin morir en el intento.También te mostramos cómo interpretar los resultados, validar el modelo y evitar errores comunes. Tod
Recomendado
España en palabras: Un podcast para escuchar y aprender español
Audiocuentos Mis primeras lecturas RUBIO | Cuentos infantiles de Cuadernos Rubio. Cuentacuentos.
Orejas Curiosas | Un podcast corto con cuentos, juegos y sorpresas
Historias Eróticas que merecen ser oídas
DIARIO DE MERCADOS
Pendiente Máxima
Podcast de Misterios
Deportes COPE
Católicos Algo que Saber
Historias de sexo muy intensas y calientes
Biciescapa podcast
Como si nadie escuchara
