Un modelo que luce bien en un cuaderno puede ser inútil operando, y la razón habitual no es el algoritmo sino la evaluación. Esta habilidad enseña scikit-learn como una forma de trabajar, con comprobaciones breves (números que calcula, pasos que ordena, conceptos que empareja) y ejemplos financieros: por qué un escalador debe ajustarse solo con los días de entrenamiento, cómo las etiquetas solapadas filtran el futuro y cómo la purga y el embargo lo eliminan, qué hacen ridge y lasso con los coeficientes, por qué una regresión logística de dirección apenas supera apostar siempre al alza, cómo un bosque sobreajusta una señal débil, cómo puntuar un modelo de rendimientos con el coeficiente de información, cuántos ajustes requiere una búsqueda honesta de hiperparámetros, y qué pueden y qué no pueden decir el clustering, el PCA y la importancia por permutación. El proyecto final es un laboratorio de código donde construye el divisor walk-forward con purga, las variables transversales y la puntuación de un modelo mensual de acciones.
Se espera soltura con Python, NumPy y pandas, junto con estadística básica (media, varianza, correlación, regresión).
