mar 
Cómo distinguir un modelo que aprende de uno que memoriza: división entrenamiento/validación/test, curvas de pérdida, un ejemplo en NumPy y las defensas habituales (regularización L1 y L2, dropout y parada temprana).
Guía de decisión para elegir entre modelos lineales, regresión logística, árboles, bosques aleatorios, gradient boosting y redes neuronales con datos tabulares, con código en NumPy y los límites de cada uno.
Qué cambia dentro de una red neuronal cuando «aprende»: neuronas, capas, función de pérdida, retropropagación y descenso de gradiente, con una versión mínima en NumPy y el mismo bucle en PyTorch.