read_excel y formatos binarios como pickle

read_csv y read_table

read_json y read_html

SQLAlchemy y requests exclusivamente

Aplicar algoritmos de Machine Learning para predecir anomalías en los registros crudos.

Obtener los datos desde su origen (archivos, bases de datos o APIs) sin alterar su contenido.

Dejar los datos en una forma final y optimizada en un motor de base de datos para su visualización o modelado.

Limpiar, corregir y reestructurar los datos, tratando valores faltantes, duplicados y formatos poco útiles.

El modelo ignora el ruido y captura únicamente la señal pura.

El modelo elimina automáticamente las variables proxy.

El modelo no logra capturar ni la señal ni el ruido (Underfitting).

El modelo crea reglas tan específicas que memoriza el ruido además de la señal.

El desarrollador olvidó aumentar el hiperparámetro de max_depth (profundidad máxima) para que el modelo pudiera procesar historiales laborales más largos.

Ignora el principio "Garbage In, Garbage Out". El algoritmo es matemáticamente objetivo, pero se limitó a automatizar a gran escala el sesgo de edad (preferencia por perfiles junior) que existía implícitamente en los datos históricos de contratación.

El algoritmo probablemente sufre de Underfitting y no tiene la complejidad suficiente para leer e interpretar correctamente los años de experiencia en los CVs más extensos.

El modelo generó un "Ruido Estadístico" aleatorio que accidentalmente afectó solo a una franja etaria específica.

Overfitting. El modelo aprendió demasiados detalles de los estafadores.

Underfitting (Alto Sesgo). El modelo es demasiado rígido y simple para un problema complejo.

Ceguera algorítmica por falta de variables demográficas.

El modelo tiene Alta Varianza debido a que la línea pasa por todos los puntos.

El modelo es demasiado complejo y memorizó las 500 casas originales (Overfitting).

Los datos de las 100 casas nuevas contienen variables proxy.

El modelo es demasiado simple y no entendió el mercado inmobiliario (Underfitting).

El algoritmo carece de sesgo histórico.

Al borrar columnas del dataset de entrenamiento, se genera automáticamente un underfitting extremo que hace que el modelo rechace al azar.

El modelo Random Forest está programado para recuperar internamente las columnas borradas conectándose a bases de datos externas del gobierno.

El código postal es una variable completamente aleatoria que simplemente inyectó "Ruido Estadístico" al modelo base, confundiendo las predicciones.

El código postal actuó como una Variable Proxy, ya que la geografía urbana suele estar fuertemente segregada y altamente correlacionada con el nivel adquisitivo de las personas.

Aumentar la complejidad del modelo al máximo nivel que soporte el servidor.

Garantizar que el modelo discrimine por código postal de manera eficiente.

Reducir el error de entrenamiento a cero sin importar el error de prueba.

Encontrar el punto de equilibrio donde la complejidad minimiza el error total frente a datos no vistos.