AdaBoost (Freund & Schapire), las random forests de Breiman (2001) y luego gradient boosting (Friedman; XGBoost en 2014) mostraron que combinar modelos débiles produce predictores robustos.
En datos tabulares —crédito, fraude, CTR— estos métodos batían a redes poco afinadas. Siguen siendo baseline obligatorio en muchos problemas empresariales.
Su éxito reforzó prácticas: validación cuidadosa, features, regularización. El deep learning no las eliminó; convive con ellas según el tipo de dato.
