El equipo Cebollitas perdió cuatro de los últimos cinco partidos, pero ahora cuenta con datos, videos y estadísticas que abren la puerta a usar modelos de machine learning para mejorar su rendimiento. La pregunta clave no es si pueden mejorar, sino qué tipo de modelo aplicar y por qué. Aquí te explico los tres enfoques principales y cuándo usar cada uno.

¿Qué tipos de modelos de machine learning existen?

Cuando una máquina aprende de los datos, lo hace de tres formas principales. Cada una resuelve un problema distinto y se elige según el objetivo que persigues con la información disponible.

¿Cómo funcionan los modelos supervisados?

En los modelos supervisados le enseñas a la máquina con ejemplos etiquetados. Le muestras partidos donde Cebollitas ganó y partidos donde perdió, y el modelo busca qué los diferencia.

Con esa información puedes:

• Predecir el resultado probable de un próximo partido.
• Identificar patrones que llevan al equipo a perder.
• Anticipar el rendimiento bajo ciertas condiciones.

¿Qué es un modelo supervisado? Es un modelo que aprende a partir de ejemplos etiquetados, como partidos ganados o perdidos, para predecir resultados futuros o reconocer patrones.

¿Cuándo conviene usar modelos no supervisados?

En los modelos no supervisados no le dices al algoritmo qué es bueno o malo. Solo entregas los datos y dejas que descubra estructura por su cuenta.

Aplicado a Cebollitas, el modelo podría detectar que ciertos jugadores entrenan a un ritmo parecido, que otros corren más durante los partidos o que un grupo específico tiende a lesionarse con frecuencia. Aquí el modelo encuentra grupos y comportamientos que ayudan a tomar decisiones tácticas.

¿Qué hacen los modelos de refuerzo?

Los modelos de refuerzo aprenden probando. El algoritmo prueba acciones, recibe recompensas cuando acierta y mejora con el tiempo. Piensa en un simulador de partidos donde la máquina ensaya estrategias hasta encontrar las que aumentan las chances de ganar.

Son ideales para crear sistemas de recomendación de jugadas o diseñar entrenamientos optimizados según el contexto.

¿Cuál es la diferencia entre aprendizaje supervisado, no supervisado y por refuerzo? El supervisado aprende de ejemplos etiquetados, el no supervisado encuentra patrones sin etiquetas, y el de refuerzo aprende por prueba, error y recompensa.

¿Qué herramientas se usan para machine learning?

Para aplicar estos modelos existen librerías ampliamente adoptadas en la industria. Las más comunes son:

• Scikit-learn, ideal para empezar y para modelos clásicos.
• TensorFlow, potente para redes neuronales y producción.
• PyTorch, muy usada en investigación y deep learning.

El lenguaje de programación que conecta todo este ecosistema es Python, el estándar para aprendizaje automático por su sintaxis clara y su comunidad.

¿Por qué importa elegir el modelo correcto?

No se trata solo de conocer algoritmos, sino de decidir cuál modelo usar, cuándo y por qué. Esa decisión cambia por completo el resultado de un proyecto de datos, porque cada enfoque responde a una pregunta distinta sobre el equipo.

En los próximos pasos vas a elegir modelos, alimentarlos con datos reales de Cebollitas y medir cómo cambia el rendimiento del equipo. Ese es el verdadero trabajo de un analista de datos o ingeniero de machine learning: traducir información en decisiones.

¿Listo para tomar el rol de analista del equipo? Cuéntame en los comentarios qué tipo de modelo crees que ayudaría más a Cebollitas a romper su racha.