Instagram story viewer> @jyts__> Posts

Jyts

@jyts__

21.5K

followers

96

following

📊 Data Science, ML, IA, Python
🎓 PhD, Profesor, 6+ años en banca
🚀 +350 alumnos formados · Comunidad Skool
👇 Curso, comunidad y recursos gratis

POSTS STORIES REELS

Te cuento mi camino (hasta ahora) 📈

Estudié matemáticas por amor al arte de resolver problemas, donde descubrí la estadística, el arte de predecir el futuro con probabilidad. Conformarse nunca fue una opción, así que hice un doctorado en estadística mientras trabajaba a tiempo completo en banca. Con ese camino recorrido, entré en uno de los bancos más grandes del mundo y en una de las universidades más importantes. Y esto es solo el principio. Por eso nació JYTS, para compartirte todo esto, inspirarte, y ayudarte a vivir lo mismo. Tienes mi comunidad en Skool está en el link de la bio. Si esto te interesa, dale al botón de seguir.

#DataScience #CienciaDeDatos #MiHistoria #PhD #Estadistica by @jyts__

Vamos a construir la comunidad de Ciencia de Datos de los que quieren crecer de verdad.
.
.
.
#DataScience #cienciadedatos #skool #comunidad by @jyts__

Te han mentido. Para ser data scientist no necesitas mil cosas. Solo controlar lo necesario. Te lo resumo.
.
.
.
#datascience #cienciadedatos #estadistica #machinelearning #python by @jyts__

Cuantos trabajos son muchos trabajos?

#Vlog #DataScience #Data #Finance #MachineLearning by @jyts__

No te falta otro curso. Te falta un orden.

Esta es la ruta que recomiendo para aprender machine learning, en cuatro fases: fundamentos matemáticos, ML clásico, redes neuronales y deep learning, y transformers y LLMs. Trece recursos, de ISL y MML a nanoGPT, todos gratis.

Empezar por los transformers sin saber qué es un gradiente funciona hasta que algo falla y no sabes por qué. Cada fase te prepara para entender la siguiente.

Elige el recurso de la fase en la que estés, haz los ejercicios y termínalo.

Comenta ML y te envío todos mis recursos favoritos para aprender ML gratis, en orden.

#MachineLearning #DeepLearning #InteligenciaArtificial #DataScience #AprenderIA by @jyts__

El Machine Learning que podrías aprender según tu Screen Time.
#MachineLearning #DataScience #Python #IA #cienciadedatos by @jyts__

La entrevista técnica de Data Science es predecible. Lo que no es predecible es cómo respondes tú.

Cambia la empresa y cambia el entrevistador, pero los bloques son siempre los mismos: estadística, machine learning, SQL, caso de negocio y tú.

La realidad desde dentro: no te descartan por no saber. Te descartan por responder como un junior. El junior recita la definición. El senior aclara la pregunta, dice sus supuestos, explica el trade-off y aterriza en el impacto.

En el carrusel tienes las 10 preguntas que te van a caer, cada una con las dos respuestas: la que te descarta y la que te hace pasar. P-valor, sesgo-varianza, overfitting, data leakage, clases desbalanceadas, XGBoost vs logística, SQL, producción, tu proyecto y tu debilidad.

Y algo que pesa más que cualquier respuesta memorizada: lleva un portfolio. Un proyecto tuyo, defendido de principio a fin, te deja llevar la entrevista a tu terreno. Cualquiera dice que sabe. Tú lo enseñas.

Guarda y comparte esta joya con quien esté preparando una entrevista.

Y cuéntame en comentarios: ¿qué pregunta te hicieron y no supiste responder?

Sígueme para aprender Data Science sin humo.

#datascience #machinelearning #entrevistadetrabajo #cienciadedatos #estadistica by @jyts__

Día 1/100 #100DML
.
.
.
A partir de hoy, voy a dedicar 1 hora al día durante los próximos 100 días a aprender Machine Learning y estadística desde cero. En público, con todo documentado. La idea: 1 hora diaria, sin excusas, sobre temas concretos, compartiendo el proceso real, no solo el resultado final.

Empiezo por lo menos glamuroso: Git y GitHub. Antes de tocar un modelo, necesito control de versiones en condiciones, porque todo el código, notas y recursos se van a publicar ahí desde el día uno.

Hoy: branches, commits atómicos, cómo estructurar un repositorio legible para otra persona, no solo para mí. Y en los próximos 100 días tocan álgebra lineal, Python avanzado, estadística bayesiana, inferencia causal, deep learning desde cero, transformers, interpretabilidad de modelos y MLOps entre otras cosas, para que ni tú ni yo nos aburramos.

No va a ser perfecto todos los días. Pero va a ser real.

#MachineLearning #DataScience CienciaDeDatos #Python by @jyts__

En banca el modelo es la parte fácil.

Lo que te deja fuera no es no saber XGBoost. Es no saber explicar por qué lo elegiste, qué supuestos rompes y qué significa tu AUC para un director financiero.

Ese es el filtro. Y no viene en ningún curso de 40 horas.

En el carrusel tienes el roadmap completo: 5 pasos y lo que de verdad evalúan en cada uno.

Guárdalo y compártelo con quien esté intentando entrar en risk o quant.

¿En qué paso estás tú?

#datascience #cienciadedatos #machinelearning #quantfinance #riesgodecredito by @jyts__

Tu primer modelo de Machine Learning.
.
.
.
#datascience #cienciadedatos #machinelearning #IA #estadistica by @jyts__

Si solo el 1% de los casos son positivos, un modelo que nunca detecta ninguno ya tiene un 99% de accuracy. Pasa igual en fraude, en diagnóstico médico y en detección de spam o ciberataques.

Lo que de verdad mide si tu modelo sirve:

01 · Precision: de lo que marcas como positivo, cuánto lo es de verdad.
02 · Recall: de todos los casos reales, cuántos detectas.
03 · PR-AUC: el trade-off en todos los umbrales, sin inflarse con el desbalanceo.

Y el umbral no es 0,5 por defecto. Es una decisión de negocio: lo que cuesta una falsa alarma frente a lo que cuesta un caso que se escapa.

Guarda y comparte esta joya con quien todavía evalúa sus modelos con el accuracy.

¿Qué métrica te enseñaron mal en tu primer trabajo con datos desbalanceados?

#datascience #machinelearning #cienciadedatos #estadistica #IA by @jyts__

Del dataset al impacto. 10 pasos que casi nadie enseña juntos.

Desde la recolección y limpieza de datos, pasando por el análisis exploratorio, el feature engineering, la validación con criterio de negocio real, hasta el despliegue en producción y la monitorización continua para detectar cuándo el modelo empieza a fallar.

Construir el modelo es una parte pequeña del trabajo. Todo lo demás es lo que separa un proyecto de juguete de uno real.

#DataScience #MachineLearning #CienciaDeDatos #MLOps #MLEngineering by @jyts__