Deja el Titanic: machine learning con un caso real de banca

Si estás aprendiendo ML y solo hiciste el Titanic y el dataset de casas, mala noticia: eso no te prepara para el trabajo real. Enseño ingeniería de datos en el postgrado de la UNI, y lo que más le cuesta a quien entra a un trabajo de datos no es el algoritmo —es que la realidad no se parece al tutorial.

El dataset limpio te miente

En un curso te dan un CSV perfecto. En el trabajo te dan tres fuentes que no cuadran entre sí, un campo que significa cosas distintas según el año, y a nadie le consta de dónde salió el dato. Empezar por el modelo es empezar por el final.

El caso real: predecir mora con datos crudos

Tres trampas que el Titanic nunca te enseña:

• Los nulos tienen significado. Un cliente sin historial crediticio no es un cero: es "desconocido". Imputarlo como cero le enseña al modelo algo falso, y en crédito eso se traduce en plata mal prestada.
• Fechas en tres formatos en la misma columna. Real, frecuente, y rompe todo silenciosamente si no lo detectas.
• La fuga temporal. Una variable que solo existe después de que el crédito se aprobó. Si la usas para predecir si se aprueba, tu modelo es perfecto en validación y completamente inútil en producción.

La verdad incómoda

El 80% del trabajo es entender el problema y limpiar el dato. El modelo es la parte fácil, y la última. Los tutoriales invierten esa proporción porque pelearse con dato sucio no se ve bien en un video corto —pero es exactamente lo que te van a pagar por hacer.

La idea que se queda

Deja el Titanic. Busca un dato feo, real, con varias fuentes que no cuadran, y peléate con él. Ahí se aprende lo que ningún curso limpio te puede enseñar.

Ver en video

El caso completo, con las tres trampas y cómo se resuelven, está en mi canal: Cristina Chapoñán | Data & IA — busca "Deja el Titanic: machine learning con un caso real de banca".

¿Cuál fue el primer dataset real (y feo) con el que te peleaste? Cuéntame.