Algoritmos de Machine Learning Explicados: Guia Completa para Entrevistas Tecnicas

Los algoritmos de machine learning constituyen el eje central de cualquier entrevista tecnica en ciencia de datos en 2026. Desde posiciones junior hasta roles de ML engineer senior, los equipos de contratacion esperan que cada candidato sepa explicar, implementar y comparar las principales familias de algoritmos: modelos lineales, metodos de ensamble y tecnicas no supervisadas. Esta guia recorre cada categoria con implementaciones en Python usando scikit-learn 1.8, estrategias de evaluacion y los compromisos tecnicos que distinguen a un candidato solido del resto.

Aprendizaje supervisado: fundamentos de regresion y clasificacion

El aprendizaje supervisado parte de datos etiquetados, donde cada ejemplo de entrenamiento incluye una entrada y la salida esperada. La regresion predice valores continuos (precios de vivienda, temperaturas), mientras que la clasificacion asigna etiquetas discretas (spam o no spam, diagnostico de enfermedad). Dominar ambos enfoques es requisito indispensable en las entrevistas de ciencia de datos.

La regresion lineal sigue siendo el punto de partida para cualquier tarea de regresion. Modela la relacion entre variables independientes y una variable objetivo como una suma ponderada. En entrevistas, es comun que se pida implementarla, explicar la funcion de costo y discutir en que situaciones deja de funcionar adecuadamente.

# linear_regression_demo.py
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error, r2_score

# Generate synthetic housing data: square footage -> price
np.random.seed(42)
sqft = np.random.uniform(500, 3000, size=200).reshape(-1, 1)
price = 150 * sqft.flatten() + np.random.normal(0, 20000, size=200)

X_train, X_test, y_train, y_test = train_test_split(sqft, price, test_size=0.2)

model = LinearRegression()
model.fit(X_train, y_train)                    # Fit on training data
predictions = model.predict(X_test)            # Predict on unseen data

print(f"Coefficient: {model.coef_[0]:.2f}")    # Weight per sqft
print(f"R2 Score: {r2_score(y_test, predictions):.4f}")
print(f"RMSE: {np.sqrt(mean_squared_error(y_test, predictions)):.2f}")

El coeficiente indica cuanto aporta cada pie cuadrado adicional al precio final. El R2 score y el RMSE cuantifican la calidad de la prediccion: dos metricas que los entrevistadores esperan que el candidato interprete sin titubear.

En el caso de la clasificacion, la regresion logistica aplica una funcion sigmoide para producir probabilidades. A pesar de su nombre, resuelve problemas de clasificacion. La frontera de decision, el parametro de regularizacion C y la diferencia entre clasificacion binaria y multiclase son temas recurrentes en entrevistas tecnicas.

# logistic_classification.py
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

data = load_breast_cancer()                    # Binary classification dataset
X_train, X_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.2, random_state=42
)

clf = LogisticRegression(max_iter=5000, C=1.0) # C controls regularization strength
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)

print(classification_report(y_test, y_pred, target_names=data.target_names))

El reporte de clasificacion muestra precision, recall y F1-score por clase, exactamente las metricas que se analizan en la siguiente seccion. Practicar la lectura fluida de estos reportes marca una diferencia notable durante la entrevista; los evaluadores detectan de inmediato cuando un candidato duda al interpretarlos.

Arboles de decision y metodos de ensamble en entrevistas

Los arboles de decision dividen los datos de forma recursiva segun umbrales en las variables. Por si solos, tienden al sobreajuste. Los metodos de ensamble (Random Forest y Gradient Boosting) resuelven este problema combinando multiples arboles. Estos algoritmos aparecen en practicamente todas las entrevistas de ML porque equilibran interpretabilidad con rendimiento.

Random Forest construye muchos arboles independientes sobre muestras bootstrap y promedia sus predicciones. Esto reduce la varianza sin incrementar el sesgo. Las preguntas de entrevista sobre arboles y ensambles evaluan con frecuencia la comprension de bagging vs. boosting, la importancia de variables y la estimacion del error out-of-bag.

# ensemble_comparison.py
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.datasets import load_wine
from sklearn.model_selection import cross_val_score

data = load_wine()                             # 3-class classification
X, y = data.data, data.target

# Random Forest: parallel trees, reduces variance
rf = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=42)
rf_scores = cross_val_score(rf, X, y, cv=5, scoring='accuracy')

# Gradient Boosting: sequential trees, reduces bias
gb = GradientBoostingClassifier(n_estimators=100, learning_rate=0.1, max_depth=3)
gb_scores = cross_val_score(gb, X, y, cv=5, scoring='accuracy')

print(f"Random Forest:     {rf_scores.mean():.4f} +/- {rf_scores.std():.4f}")
print(f"Gradient Boosting: {gb_scores.mean():.4f} +/- {gb_scores.std():.4f}")

Random Forest destaca cuando el objetivo es estabilidad con poco esfuerzo de ajuste. Gradient Boosting suele alcanzar mayor precision, pero exige una seleccion cuidadosa de hiperparametros: learning rate, numero de estimadores y profundidad del arbol interactuan entre si. Los entrevistadores evaluan si el candidato comprende este compromiso tecnico, no solo cual modelo arroja un numero mayor.

| Criterion | Random Forest | Gradient Boosting | |-----------|--------------|-------------------| | Training speed | Fast (parallel) | Slower (sequential) | | Overfitting risk | Low | Higher without tuning | | Hyperparameter sensitivity | Low | High | | Feature importance | Built-in (impurity-based) | Built-in (gain-based) | | Best for | Baseline models, noisy data | Competitions, tabular data |

Aprendizaje no supervisado: clustering y reduccion de dimensionalidad

Los algoritmos no supervisados descubren estructura en datos sin etiquetas. K-Means clustering y PCA (Analisis de Componentes Principales) son las dos tecnicas que mas aparecen en entrevistas. Dominar ambas resulta fundamental para responder las preguntas de entrevista sobre aprendizaje no supervisado.

K-Means particiona los datos en k clusters minimizando la varianza intra-cluster. El algoritmo itera entre asignar puntos al centroide mas cercano y actualizar los centroides. Dos preguntas criticas en entrevista: como elegir k (metodo del codo, silhouette score) y que sucede con clusters no esfericos.

# kmeans_clustering.py
from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import silhouette_score
from sklearn.datasets import load_iris

data = load_iris()
X = StandardScaler().fit_transform(data.data)  # Scale features first

# Test multiple values of k to find optimal cluster count
for k in [2, 3, 4, 5]:
    kmeans = KMeans(n_clusters=k, n_init=10, random_state=42)
    labels = kmeans.fit_predict(X)
    sil = silhouette_score(X, labels)          # Higher = better-defined clusters
    inertia = kmeans.inertia_                  # Within-cluster sum of squares
    print(f"k={k}: silhouette={sil:.3f}, inertia={inertia:.1f}")

Escalar las variables antes del clustering es obligatorio. K-Means utiliza distancia euclidiana, por lo que variables con rangos amplios dominan la metrica si no se normalizan. Este detalle aparece de forma recurrente en entrevistas tecnicas.

PCA reduce la dimensionalidad proyectando los datos sobre las direcciones de maxima varianza. Cumple dos propositos: visualizacion (proyeccion a 2D/3D) y preprocesamiento (eliminar ruido, acelerar modelos posteriores). En entrevistas, se espera que el candidato explique los ratios de varianza explicada y como determinar el numero optimo de componentes.

Metricas de evaluacion que todo candidato debe dominar

Elegir la metrica de evaluacion correcta importa mas que elegir el algoritmo correcto. Un modelo con 99% de accuracy sobre datos desbalanceados (1% de fraude) puede ser completamente inutil si simplemente predice "no fraude" en todos los casos. Los entrevistadores usan preguntas sobre metricas para evaluar el juicio practico del candidato.

En clasificacion, cuatro metricas dominan las entrevistas:

• Precision: del total de predicciones positivas, cuantas son correctas. Critica cuando los falsos positivos tienen alto costo (filtrado de spam)
• Recall: del total de positivos reales, cuantos se detectaron. Critica cuando los falsos negativos tienen alto costo (deteccion de enfermedades)
• F1-Score: media armonica de precision y recall, la opcion equilibrada cuando ningun tipo de error domina claramente
• AUC-ROC: mide la calidad del ranking a traves de todos los umbrales de clasificacion, esencial para comparar modelos

En regresion, las metricas clave son RMSE (penaliza errores grandes), MAE (robusta ante valores atipicos) y R2 (proporcion de varianza explicada). Saber cuando preferir MAE sobre RMSE, y viceversa, demuestra comprension genuina del problema. Practicar la aplicacion de estas metricas en escenarios de entrevista sobre regresion resulta altamente recomendable.

# evaluation_metrics.py
from sklearn.metrics import (
    precision_score, recall_score, f1_score,
    roc_auc_score, confusion_matrix
)
import numpy as np

# Simulated predictions on imbalanced data (5% positive class)
np.random.seed(42)
y_true = np.array([1]*50 + [0]*950)
y_pred = np.array([1]*40 + [0]*10 + [1]*30 + [0]*920)  # Some errors

print(f"Precision: {precision_score(y_true, y_pred):.3f}")  # 40/(40+30) = 0.571
print(f"Recall:    {recall_score(y_true, y_pred):.3f}")     # 40/(40+10) = 0.800
print(f"F1-Score:  {f1_score(y_true, y_pred):.3f}")         # Harmonic mean

cm = confusion_matrix(y_true, y_pred)
print(f"\nConfusion Matrix:\n{cm}")
# [[920, 30],   -> TN=920, FP=30
#  [10,  40]]   -> FN=10,  TP=40

Leer correctamente una matriz de confusion requiere practica. La celda superior izquierda (verdaderos negativos) y la inferior derecha (verdaderos positivos) representan predicciones correctas. Las celdas fuera de la diagonal muestran los dos tipos de error. Es frecuente que los entrevistadores presenten una matriz de confusion y pidan calcular precision y recall a partir de ella.

Compromiso sesgo-varianza y estrategias de regularizacion

El compromiso sesgo-varianza es el concepto teorico mas importante en machine learning. Un sesgo alto significa que el modelo es demasiado simple y subajusta los datos. Una varianza alta significa que el modelo es demasiado complejo y sobreajusta. Cada decision sobre algoritmos e hiperparametros implica navegar este compromiso.

La regularizacion controla la complejidad del modelo penalizando coeficientes grandes. Ridge (L2) reduce los coeficientes hacia cero pero conserva todas las variables. Lasso (L1) lleva algunos coeficientes exactamente a cero, realizando seleccion implicita de variables. Elastic Net combina ambos enfoques. Estas distinciones aparecen tanto en preguntas de entrevista sobre clasificacion como en contextos de regresion.

# regularization_comparison.py
from sklearn.linear_model import Ridge, Lasso, ElasticNet
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import cross_val_score
from sklearn.datasets import load_diabetes

X, y = load_diabetes(return_X_y=True)

models = {
    "Ridge (L2)":      make_pipeline(StandardScaler(), Ridge(alpha=1.0)),
    "Lasso (L1)":      make_pipeline(StandardScaler(), Lasso(alpha=0.1)),
    "ElasticNet (L1+L2)": make_pipeline(StandardScaler(), ElasticNet(alpha=0.1, l1_ratio=0.5)),
}

for name, model in models.items():
    scores = cross_val_score(model, X, y, cv=5, scoring='r2')
    print(f"{name:25s}  R2: {scores.mean():.4f} +/- {scores.std():.4f}")

El pipeline garantiza que el escalado y la regularizacion ocurran de forma conjunta, previniendo fuga de datos al ajustar el scaler sobre los datos de prueba. Los entrevistadores verifican esto de forma especifica: aplicar fit_transform sobre el dataset completo antes de dividir los datos es un error descalificante en entrevistas para posiciones senior.

Preparacion para preguntas sobre algoritmos de ML en 2026

La preparacion para entrevistas sobre algoritmos de machine learning en 2026 va mucho mas alla de memorizar formulas. Los equipos de contratacion evaluan tres dimensiones: comprension teorica (puede el candidato explicar la matematica detras del modelo?), implementacion practica (puede escribir el codigo?) y criterio tecnico (sabe cual algoritmo se ajusta mejor al problema planteado?).

El track de preparacion para entrevistas de ciencia de datos en SharpSkill cubre las tres dimensiones con preguntas de practica aplicada. A continuacion, las areas que generan mayor cantidad de preguntas en entrevistas:

• Seleccion de algoritmos: dado un dataset con ciertas caracteristicas, justificar la eleccion de un algoritmo sobre otro considerando tamanio de datos, tipos de variables, requisitos de interpretabilidad y restricciones de tiempo de entrenamiento
• Ajuste de hiperparametros: explicar que controla cada hiperparametro y como afecta el compromiso sesgo-varianza. Grid search y random search son el minimo esperado; la optimizacion bayesiana con Optuna se exige cada vez mas
• Consideraciones de produccion: deteccion de data drift, monitoreo de modelos, pruebas A/B y feature stores son temas estandar para roles de nivel medio y senior en 2026
• Explicabilidad: con el auge de la IA explicable, se espera que los candidatos conozcan valores SHAP y metodos de importancia de variables. La documentacion de scikit-learn ofrece implementaciones de referencia solidas

La validacion cruzada merece atencion especial. Los entrevistadores esperan que el candidato explique por que una simple division holdout resulta insuficiente, como funciona k-fold cross-validation y cuando se necesitan folds estratificados (clases desbalanceadas). Los datos de series temporales requieren division temporal, un detalle que toma desprevenidos a muchos candidatos.

Conclusion

• Los modelos lineales (regresion lineal, logistica) son la base fundamental: es necesario comprender sus supuestos, funciones de costo y limitaciones antes de avanzar a algoritmos mas complejos
• Los arboles de decision sobreajustan por si solos; Random Forest y Gradient Boosting corrigen esto mediante bagging y boosting respectivamente, con perfiles de compromiso distintos
• K-Means y PCA cubren los fundamentos del aprendizaje no supervisado, pero siempre se deben escalar las variables primero y conocer las limitaciones de cada metodo
• Las metricas de evaluacion deben corresponder al problema de negocio: accuracy por si sola carece de significado en datos desbalanceados; precision, recall, F1 y AUC-ROC sirven objetivos diferentes
• La regularizacion (Ridge, Lasso, Elastic Net) controla el sobreajuste, pero solo funciona correctamente sobre variables estandarizadas dentro de un pipeline
• El exito en entrevistas de 2026 exige demostrar criterio en la seleccion de algoritmos, no solo capacidad de implementacion: explicar el "por que" detras de cada decision es lo que realmente importa