Mi primera chamba creando Modelos Predictivos con machine Learning e Inteligencia Artificial

¿Alguna vez has imaginado que una computadora pueda anticipar el futuro? En este taller, te convertirás en un analista predictivo, capaz de construir modelos de inteligencia artificial que pronostican la demanda diaria de bicicletas compartidas en una gran ciudad.

No necesitas ser programador: solo necesitarás tu curiosidad, tus ideas y el poder de la IA. Usaremos Google Colab, una plataforma en la nube donde podrás dialogar con la inteligencia artificial mediante prompts, o instrucciones escritas en lenguaje natural. La IA se encargará de generar el código, ejecutar los modelos y mostrarte los resultados.

Tu reto será comparar diferentes enfoques para realizar pronósticos:

• Modelo de Suavizamiento de Winters, para detectar tendencias y estacionalidad.

• Regresión Lineal Múltiple, para entender cómo las variables (como temperatura o humedad) afectan la demanda.

• Random Forest, que combina muchos árboles de decisión para lograr mayor precisión.

• XGBoost, un modelo más avanzado usado por analistas de datos profesionales en competencias reales.

A lo largo de la sesión descubrirás cómo cada modelo “aprende” de los datos para anticipar el futuro y cómo la IA puede convertirse en tu compañera de trabajo, ayudándote a pensar, analizar y decidir.

Tu misión es simple: enseña a la IA a predecir el mañana. Bienvenido a tu primera chamba en el mundo del Machine Learning.

Instrucciones

Completa los siguientes pasos que te ayudarán a completar tu chamba de analística.

Kaggle

• Abre la liga al sitio de Kaggle.

• Registrate si eres un usuario nuevo.

• Accede a la competencia Predice la demanda de bicicletas compartidas.

Google Colab

• Escribe en la barra de dirección: https://colab.research.google.com

• Inicia sesión con tu cuenta de Google.

• Haz clic en “Nuevo cuaderno” (New notebook).

Jupyter Notebook

• Carga a Colab los archivos de datos test.csv, train.csv, y sample_submission.csv.

• Agrega como título 'Modelo: Regresión Lineal Múltiple'.

• Prompt: Carga módulo pandas y los comandos para mostrar todas las columnas y renglones de un dataframe.

• Agrega sección 'Lectura de datos'.

• Prompt: Abre los archivos train.csv como dataframe train, test.csv como test and sample_submission.csv como submission.

• Prompt: Visualiza el dataframe train.

• Agrega sección 'Ajuste del modelo'

• Agrega un bloque de código para el ajuste del modelo.

• Agrega sección 'Visualiza pronóstico'.

• Cuando tenga el modelo ajustado usa el prompt: Visualiza la serie 'total users' junto con su pronóstico en submission. El tiempo está en 'dteday'. Reporta el código en un solo bloque.

• Cuando obtengas tu pronóstico en el archivo CSV, envíalo a la competencia de Kaggle.

Winters

• Prompt: La variable de respuesta 'total users' se reporta diariamente durante dos años (dteday). Usa el método de Winters multiplicativo con un periodo de media año. Usa el conjunto train para entrenar el modelo y el conjunto test para pronosticar los valores de 'total users'. Reporta el código en un solo bloque con los comentarios necesarios para comprenderlo.

• Prompt: Guarda el resultado en el archivo 'submission_winters.csv'.

RLM

• Prompt: Predice 'total users' usando una Regresión Lineal Múltiple. Usa las siguientes variables con los nombres 'season', 'yr', 'mnth', 'holiday', 'weekday', 'workingday', 'weather sitituation', 'temp (Celsius)', 'feeling temp (Celsius) ', 'humidity (%)' and 'windspeed (mph)'. Usa el conjunto train para entrenar el modelo y el conjunto test para predecir la respuesta. Reporta el resultado de la competencia Kaggle en el formato del archivo submission (segunda columna). Reporta el código en un solo bloque con los comentarios necesarios para comprenderlo.

• Prompt: Guarda el resultado en el archivo 'submission_rlm.csv'.

Random Forest

• Prompt: Predice 'total users' usando el método de Random Forest. Usa las siguientes variables con los nombres 'season', 'yr', 'mnth', 'holiday', 'weekday', 'workingday', 'weather sitituation', 'temp (Celsius)', 'feeling temp (Celsius) ', 'humidity (%)' and 'windspeed (mph)'. Usa el conjunto train para entrenar el modelo y el conjunto test para predecir la respuesta. Reporta el resultado de la competencia Kaggle en el formato del archivo submission (segunda columna). Reporta el código en un solo bloque con los comentarios necesarios para comprenderlo.

• Prompt: Guarda el resultado en el archivo 'submission_rf.csv'.

XGBoost

• Prompt: Predice 'total users' usando el método de Random Forest. Usa las siguientes variables con los nombres 'season', 'yr', 'mnth', 'holiday', 'weekday', 'workingday', 'weather sitituation', 'temp (Celsius)', 'feeling temp (Celsius) ', 'humidity (%)' and 'windspeed (mph)'. Usa el conjunto train para entrenar el modelo y el conjunto test para predecir la respuesta. Reporta el resultado de la competencia Kaggle en el formato del archivo submission (segunda columna). Reporta el código en un solo bloque con los comentarios necesarios para comprenderlo.

• Prompt: Guarda el resultado en el archivo 'submission_xgb.csv'.

Material

Archivos de apoyo

Lecturas

Roose, K. (2025, February 27). Not a Coder? With A.I., Just Having an Idea Can Be Enough. The New York Times. Retrieved from https://www.nytimes.com/2025/02/27/technology/personaltech/vibecoding-ai-software-programming.html