Please enable JavaScript.
Coggle requires JavaScript to display documents.
Aprendizaje automático - Coggle Diagram
Aprendizaje automático
Concepto:
Algoritmos que se ejecutan en ordenadores para aprender automáticamente en base a datos proporcionados mediante inducción de conocimiento
Tipos
Aprendizaje supervisado
Problema de regresión: capacidad de predecir valores de una variable dependiente en función de los valores de las variables independientes. Resuelve el sobrejuste mediante, regularización y normalización
Problema de clasificación: encontrar una función de asignación que pueda identificar la categoría de nuevas observaciones basándose en etiquetas de clases predefinidas según su similitud con datos etiquetados previamente. Son variables discretas. Puede ser dos clases (binaria) o más (multivariante)
-
-
Proyecto
Etapas
- Definición del problema
- Recopilación de datos
- Tratamiento de datos
- Exploración de características
- Elección del modelo
- Entrenamiento del modelo
- Evaluación del modelo
- Ajuste hiperparámetros y optimización
- Predicciones o despliegue
Desafíos
- Datos insuficientes
- Sesgo y error humano
- Calidad
- Privacidad y cumplimiento
- Proceso de anotaciones de datos
Modelo AA
Conjunto de datos
Entrenamiento: se utiliza para entrenar el modelo, contiene las características que se predicen o clasifican. Hold Out: 70 -90
-
Técnicas y cualidades
-
Underfitting: modelo simple que no captura la variabilidad de los datos, es incapaz de aprender de los datos de entrenamiento
Validación cruzada: metodo estadístico. Divide el conjunto en k particiones, genera k modelos y se repite k veces. Permite aumentar la precisión, disminuye el overfitting y permite seleccionar el mejor modelo posible.
Punto óptimo y equilibrio: modelo que generalice bien y obtenga buen rendimiento en ambos conjuntos. Captura los patrones relevantes sin sobreajustarse a los d. entrenamiento