Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 193 vistas

    Introduccion Al Machine Learning

    Cargado por

    José Ramón Espinosa Muñoz
    Este documento presenta una introducción al machine learning, incluyendo conceptos clave como aprendizaje supervisado, no supervisado y por transferencia. Explica los pasos generales de un proceso de machine learning, como seleccionar características, dividir los datos en conjuntos de entrenamiento, validación y prueba, y ajustar hiperparámetros. También define conceptos como sesgo, varianza y validación cruzada.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Introduccion Al Machine Learning

    Cargado por

    José Ramón Espinosa Muñoz
    193 vistas5 páginas
    Este documento presenta una introducción al machine learning, incluyendo conceptos clave como aprendizaje supervisado, no supervisado y por transferencia. Explica los pasos generales de un proceso de machine learning, como seleccionar características, dividir los datos en conjuntos de entrenamiento, validación y prueba, y ajustar hiperparámetros. También define conceptos como sesgo, varianza y validación cruzada.

    Descripción original:

    Una breve introduccion sobre Machine Learning y sus conceptos básicos

    Título original

    Introduccion al Machine Learning

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta una introducción al machine learning, incluyendo conceptos clave como aprendizaje supervisado, no supervisado y por transferencia. Explica los pasos generales de un proceso de machine learning, como seleccionar características, dividir los datos en conjuntos de entrenamiento, validación y prueba, y ajustar hiperparámetros. También define conceptos como sesgo, varianza y validación cruzada.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    193 vistas5 páginas

    Introduccion Al Machine Learning

    Cargado por

    José Ramón Espinosa Muñoz
    Este documento presenta una introducción al machine learning, incluyendo conceptos clave como aprendizaje supervisado, no supervisado y por transferencia. Explica los pasos generales de un proceso de machine learning, como seleccionar características, dividir los datos en conjuntos de entrenamiento, validación y prueba, y ajustar hiperparámetros. También define conceptos como sesgo, varianza y validación cruzada.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 5

    PRESENTACION

    Schedule, PPT teóricos + metodología (jupyter notebooks) + casos prácticos


    del negocio.

    INTRODUCCION AL MACHINE LEARNING


    ((Imagen de los globos)) Lugar del machine en el mundo

    La Data Science está definida como campo multidisciplinario compuesto de 3


    skills, disciplinas y/o dominios: pensamiento computacional,
    estadística/matemáticas y dominio de negocio.

    Big Data es un paradigma de computación en el que confluyen las 3Vs:


    Velocidad, Volumen y/o Variedad, empujado por la alta capacidad de
    computación.

    Un paradigma caracterizado por:


    ➔ Exponencial incremento de la generación y almacenamiento de datos
    ➔ Incremento de formatos de datos
    ➔ Capacidad de computación
    ➔ Capacidad de la red
    ➔ Real time
    ➔ Internet de las cosas

    Big Data Science es donde confluyen las 3 Vs del Big Data y las 3 disciplinas
    de la Data Science.

    La Inteligencia Artificial es un área de la Informática (Ciencias de la


    Computación) que trata de construir máquinas que piensen y se comporten
    como humanos.

    Machine Learning es una disciplina dentro de la Inteligencia Artificial donde se


    estudian métodos para hacer predicciones, que podamos programar y
    automatizar. Machine Learning dota a las máquinas de la capacidad de
    aprender.

    “A computer program is said to learn from experience (E) with some class of
    tasks (T) and a performance measure (P) if its performance at tasks in T as
    measured by P improves with E”

    “Un programa de ordenador se dice que aprende de una experiencia (E) a


    través de una serie de tareas (T) y una medida de realización (P) si su
    realización de las tareas T son medidas por P y mejoradas con E.”
    Deep Learning es un área que trata de imitar la actividad de las capas de
    neuronas de la neocorteza. Se construye software que aprende (de forma muy
    real) a reconocer patrones en representaciones digitales de sonidos, imágenes
    y otros datos complejos.

    Conceptos básicos de Machine learning

    Conceptos de Features, Labels, Fase de entrenamiento, Fase de predicción


    Imagen de imagen de entrenamiento y predicción

    Diferencias y similitudes entre cómo aprenden los humanos y las máquinas.


    Imágenes de cómo aprenden los humanos y las máquinas.

    Bases del apredizaje supervisado y no supervisado

    (La idea es dividir el dibujo de la división de machine learning en varias


    diapositivas para cada caso)

    Imagen de división de Machine Learning (solo globos principales)

    ¿Qué es el aprendizaje supervisado? Ejemplos

    Imagen de aprendizaje supervisado

    ¿Qué es el aprendizaje no supervisado? Ejemplos

    Imagen de aprendizaje no supervisado

    ¿Qué es el aprendizaje por transferencia?

    Imagen de aprendizaje por transferencia

    El aprendizaje supervisado

    División en dos grandes bloques: Clasificación y Regresión


    Clasificación: Ejemplos de Clasificación: Detección de
    enfermedades, Apuestas deportivas, Evaluación de préstamos, Enfermedades
    de plantas. OCR sobre caracteres manuscritos, Anti Spam, Face Recognition,
    NLP, Computer Vision, etc.

    Regresión: Cálculo de precios. (más de la diapositiva) Se utiliza


    en segmentación de mercados, análisis de redes sociales, análisis de datos
    astronómicos, etc
    Varios modelos para estos dos grandes bloques: SVM, Redes
    neuronales, Deep Learning, Árbol de decisión, Bosque aleatorio , KNN,
    Regresión logística, etc.

    Faltan imágenes de Qué se clasifica y qué se clusteriza

    Imágenes 1 a 9 de clustering

    Problemas de dosificación y predicción (Sesgo y Varianza)

    Imagen de sesgo y varianza 1 y después 2

    Receta muy muy básica para evitar la bias y la variance

    1. ¿High Bias?
    Si: - Añadir características
    - Mejorar el algoritmo, cambiar la red neuronal, etc
    - Decrementar Lambda si hay regularización
    - Volver al paso 1.
    2. ¿High Variance?
    Si: - Conseguir más casos de entrenamiento
    - Añadir regularización (L2, dropout, Data Augmentation, Early
    Stopping por ejemplo), o incrementar Lambda
    - Volver al paso 2.
    3. Nuestro sistema es óptimo

    Otros de resolución de problemas: Feature normalización.

    Distribución de las muestras en varios tipos: Entrenamiento, Validación


    Test.

    ¿Qué se saca de esto?


    La principal ventaja es que con el set de entrenamiento, se hace aprender al
    modelo, con el de Validación se ajustan los hiperparámetros, y con el de Test, se
    prueba.
    División básica y división para big data en %
    Básica: 60-20-20
    Big Data: 98-1-1
    Curvas de aprendizaje (imágenes)

    Problemas de cálculo. Vectorización.


    ¿Qué es la validación cruzada?
    La validación cruzada es una técnica que consiste en reservar una muestra
    particular de un conjunto de datos en el que no se entrena el modelo. Luego, prueba
    su modelo en esta muestra antes de finalizarlo.

    Aquí están los pasos involucrados en la validación cruzada:

    1. Se reserva un conjunto de datos de muestra.


    2. Se entrena el modelo utilizando la parte restante del conjunto de datos
    3. Utilice la muestra de reserva del conjunto de prueba (validación). Esto le
    ayudará a evaluar la eficacia del rendimiento de su modelo. Si su modelo
    ofrece un resultado positivo en los datos de validación, siga adelante con el
    modelo actual.

    Hay varios enfoques:

    a) 50/50 (50% para entrenamiento, 50% para Validación cruzada)


    b) LOOCV (Dejar solo un ejemplo para Validación cruzada) ó LPOCV,
    que deja un número p de ejemplos para Validación cruzada.
    c) K-fold: Se toman k combinaciones aleatorias de conjuntos train y
    conjuntos val. Se prueba en los k-1 y se valida en el k. Se anotan los
    errores de cada combinación y la media es el error de validación
    cruzada.
    d) K-fold estratificada: Es una mejora de K-fold, porque se asegura que
    las k combinaciones dan muestras más identificativas del conjunto
    total de los datos.
    e) K-fold repetida: Para aquellos casos en los que el conjunto de
    entrenamiento no representa adecuadamente a toda la población del
    estudio.
    f) Validación cruzada especial para series temporales. Ya que las
    anteriores no funcionan para dichas series temporales. Las
    combinaciones siempre van en la dirección del tiempo.

    Visión general del problema:


    Todos aquellos que empiezan en el mundo del Machine Learning, piensan que todo
    consiste en aplicar al conjunto de datos el algoritmo o la estrategia más adecuada. Si
    no se ajusta, se buscan más datos, se modifican algunos parámetros hasta que la
    precisión sea muy alta.

    Pero esta parte es sólo la punta del Iceberg.

    Todo proceso de machine learning podría seguir una serie de pasos.


    0. Obtener los datos brutos.
    1. Seleccionar las características de entrada. Cuidando su proporción con el
    número de muestras de ejemplo. Utilizar ingeniería de características si es
    necesario.
    2. Determinar la idoneidad de las muestras de ejemplo. Estructuración de las
    muestras. Limpieza, eliminación de perdidos, ajuste de outliers, etc.
    3. Distribución en set train /dev/test por algún método de validación cruzada.
    4. Entrenamiento con el train set. Se estudia la bondad del algoritmo
    5. Ajuste de los hyperparámetros con el dev set. Aplicando regularización, etc.
    Modificando el algoritmo que trabaja el punto 4. Y volviendo al de nuevo a
    este punto 5.
    6. Probar el algoritmo con el test set. Cálculo de precisiones y se da por bueno:
    puesta en producción.
    Iceber Comparativa

    Visto lo visto, si además el conjunto de datos es grande, el proceso puede ser


    inabarcable y además habría que afrontar optimización (mini-batch, inicialización de
    pesos, momentum, RMSprop, Adam optimization, etc

    Hyperparámetros: Son parámetros de optimización, de regularización, de aprendizaje


    que permiten un mejor funcionamiento de los algoritmos y por ello del control de los
    verdaderos parámetros.
    No todos los hiperparámetros son igualmente importantes, de hecho, la importancia
    del tratamiento de los hiperparámetros puede ser la siguiente:
    i. Learning rate.
    ii. Momentum beta.
    iii. Mini-batch size.
    iv. No. of hidden units. (Si es NN)
    v. No. of layers. (Si es NN)
    vi. Learning rate decay.
    vii. Regularization lambda.
    viii. Activation functions, o algoritmo del modelo
    ix. Adam beta1 & beta2.

    También podría gustarte