ML Hyperparameter Lab

Material didáctico · Machine Learning y Deep Learning

Los hiperparámetros se entienden moviéndolos

Cursos interactivos donde el modelo se entrena en tu navegador mientras ajustas cada hiperparámetro. Cada control explica qué es, qué define en el algoritmo y qué efecto tiene, con las métricas y gráficas que realmente lo muestran.

Isolation Forest → Autoencoder Variacional (VAE) →

Causa → efecto, al instante

Mueves un control y ves cambiar los datos, las métricas y las curvas, con comparación contra una referencia fijada.

Cada concepto, definido

Al señalar o modificar un hiperparámetro aparece su definición, su rol en el modelo y qué pasa al subirlo o bajarlo.

Sin instalar nada

Todo corre localmente en el navegador (JavaScript puro, sin librerías). Sin servidor, sin cuentas, sin datos que salgan de tu equipo.

Cómo se organiza este catálogo

Tres ejes que conviene distinguir desde el principio, porque determinan qué datos necesitas y qué hiperparámetros importan.

1

Paradigma

Machine Learning
Trabaja sobre variables ya definidas (tablas, señales resumidas). Pocos hiperparámetros, entrenamiento rápido, resultados interpretables.
Deep Learning
Redes neuronales que aprenden su propia representación. Muchos más hiperparámetros y mucho más sensibles a ellos: la arquitectura y la optimización también se ajustan.
2

Tipo de supervisión

Supervisado
Necesita la respuesta correcta (etiqueta) de cada observación de entrenamiento.
No supervisado
Entrena sin etiquetas: busca estructura, grupos o rarezas.
Semi-supervisado
Muchos datos sin etiquetar y unos pocos etiquetados. En anomalías suele significar entrenar solo con datos normales.
Autosupervisado
Crea su propia tarea a partir de los datos (p. ej. reconstruir la entrada, como el VAE). No necesita etiquetas humanas.
3

Familia metodológica

Aislamiento, densidad, centroides
Cómo define el modelo qué es "raro" o qué es un "grupo".
Bagging vs. boosting
Ensembles en paralelo (reducen varianza) frente a secuenciales (reducen sesgo). Cambia radicalmente qué hiperparámetro importa.
Autoencoders, convolucionales, secuencias
Familias de redes según la estructura de los datos que aprovechan.