Saltar al contenido ForoHackers

Aprendizaje automático: por dónde empezar

Aprendizaje automático
#2838 · · Citar · Denunciar

El aprendizaje automático consiste en construir programas que sacan su comportamiento de los datos en lugar de reglas escritas a mano: le muestras ejemplos, un método ajusta un modelo, y el modelo predice casos que no ha visto. Importa donde las reglas son demasiadas o demasiado difusas para escribirlas, como el spam, los precios, las averías o las recomendaciones.

Conceptos clave

  • Aprendizaje supervisado: aprender una correspondencia entre entradas y etiquetas conocidas, para clasificación o regresión.
  • Aprendizaje no supervisado: encontrar estructura sin etiquetas, como grupos, vistas de pocas dimensiones o anomalías.
  • Generalización: un modelo es bueno si funciona con datos nuevos; el sobreajuste es memorizar el conjunto de entrenamiento.
  • Particiones de entrenamiento, validación y prueba: se ajusta con una, y se informa con un conjunto de prueba que se toca una sola vez.
  • Características y fuga de datos: lo que ve el modelo, y la trampa de dejar que se cuele información del futuro o de la etiqueta.

Vocabulario

  • Función de pérdida: el número que el entrenamiento intenta hacer pequeño.
  • Hiperparámetro: un ajuste que se elige antes de entrenar, como la profundidad de un árbol o la fuerza de la regularización.
  • Regularización: una penalización o restricción que evita que el modelo ajuste el ruido.
  • Validación cruzada: repetir la partición de entrenamiento y validación en varios pliegues para estimar el error.

Qué estudiar, en orden

  1. Álgebra lineal, probabilidad y algo de cálculo: vectores, distribuciones, gradientes.
  2. Regresión lineal y logística a mano, con descenso de gradiente en NumPy puro.
  3. Árboles de decisión y conjuntos de árboles con scikit-learn sobre un conjunto tabular pequeño; ejecuta siempre una línea base primero.
  4. La evaluación bien hecha: matriz de confusión, precisión y exhaustividad, calibración, validación cruzada.
  5. Construye un proyecto completo: limpiar datos, partirlos, modelar, analizar los errores y escribir lo que falló.

Etiquetas relacionadas

#probability #data-science #deep-learning #ai-evaluation #optimization

No has iniciado sesión, así que esto se publica como anónimo: no se guarda con ello ninguna cuenta, nombre ni dirección, y no puede llevar enlaces ni imágenes. Inicia sesión o únete para publicar con tu nombre. Los registros de nuestro servidor web guardan la dirección y la hora de cada petición hasta 14 días; para que la tuya no quede en ellos, usa Tor. Para escribir al equipo de forma confidencial, usa el buzón. Firmar como fuente habitual (una clave guardada solo en este navegador)

Enviar tarda unos segundos aquí: tu navegador resuelve antes una prueba de trabajo contra el spam.

Responder