Debugging Machine Learning Models with Python

Tratado técnico de Ali Madani enfocado en la disciplina de diagnosticar, auditar, depurar y optimizar modelos de machine learning y deep learning en Python. Está dirigido a científicos de datos, ingenieros de MLOps y programadores de Python con nivel intermedio que ya dominan la creación básica de modelos pero experimentan problemas típicos en entornos reales: modelos que no convergen, bajo rendimiento inexplicable, fugas de datos (data leakage), sesgos discriminatorios o degradación tras el pase a producción.

El libro detalla cómo aplicar el ciclo de vida completo del desarrollo guiado por pruebas en machine learning (Test-Driven Modeling / TDML). Enseña a detectar cuellos de botella de rendimiento, escribir tests automatizados para pipelines de datos y modelos con pytest, auditar equidad algorítmica para mitigar sesgos discriminatorios, implementar explicabilidad con técnicas de IA responsable, controlar versiones y reproducibilidad, así como detectar deriva de datos (data drift) y de conceptos (concept drift). En el ámbito de deep learning, profundiza en el diagnóstico de gradientes explosivos o desvanecidos, problemas de dimensionalidad en tensores y ajuste de hiperparámetros, combinando PyTorch, Scikit-learn, SHAP, LIME, Fairlearn, pytest, NumPy y Pandas.

A lo largo de sus capítulos se resuelven ejercicios prácticos y diagnósticos reales: inspección de capas y grafos de cómputo en PyTorch, suites de validación unitaria de esquemas con pytest, cálculo de importancia de características locales y globales con SHAP y LIME, y corrección de métricas de paridad demográfica en modelos crediticios. Su mayor valor radica en abordar los fallos silenciosos de la IA, una carencia habitual en cursos teóricos. Deja fuera el diseño de infraestructuras complejas de orquestación (Kubernetes o Kubeflow) para centrarse rigurosamente en la depuración a nivel de datos y modelo. Conviene tener buen manejo de Scikit-learn y conocimientos básicos de tensores en PyTorch.