Blog en español | Roberto Vega

Cómo elegir y evaluar algoritmos de machine learning

Si ya estás familiarizado con los elementos básicos de machine learning, el siguiente paso es aprender a eligir y evaluar los distintos algoritmos que tenemos disponibles. Algunas de las preguntas más comunes al momento de usar algoritmos de aprendizaje computacional (machine learning) son:

¿Cómo elegir el mejor algoritmo y los mejores atributos (features) a utilizar?
¿Cómo evaluar el desempeño de dicho algoritmo?
¿Cómo entrenar al predictor que usaremos “en producción”?, es decir, con el cuál haremos predicciones reales.

Cada una de estas preguntas requiere un procedmiento diferente. Además, los detalles de cada procedimiento dependen, en gran medida, de la cantidad de datos etiquetados que tengamos a nuestro alcance.

Entendiendo los elementos básicos de machine learning

Resumen

Existen varios problemas que se pueden resover con algoritmos de aprendizaje computacional: Regresión, clasificación, y segmentación / localización de objetos.
Independientemente del problema, los algoritmos de aprendizaje computacional supervisado requieren de los siguientes elementos: Datos históricos y sus etiquetas, una función de costo, la definición de un modelo predictivo, y un algoritmo de optimización.

Diferencias entre estudios asociativos y predictivos

Puntos clave

Los estudios asociativos y predictivos tienen diferentes objetivos. Machine learning es muy útil para el segundo caso, pero es muy limitado en el primero.
Estudos asociativos se enfocan en entender mejor un fenómeno. Buscan encontrar relaciones relevantes entre las partes, pero pudieran no ser útiles para hacer predicciones.
Los estudios predictivos usan muchas variables para crear herramientas que hagan predicciones. Se enfocan en aprender patrones presentes en los datos. Pueden ser muy precisos, pero difíciles de interpretar, y no hay problema en ello.

Continue reading “Diferencias entre estudios asociativos y predictivos”

Machine learning: entendiendo las bases

Puntos principales

Machine learning no es una varita mágica que va a resolver todos los problemas automáticamente.
Para determinar cuándo puede ser útil es necesario entender cómo funciona y adentrarse en las matemáticas detrás de esta tecnología.
Es vital definir el problema que se quiere resolver, cómo se va a usar, y tener los datos adecuados para usar machine learning.
Una excelente forma de iniciar a entender esta tecnología es tomando el curso Machine Learning de Andrew Ng en coursera.

Continue reading “Machine learning: entendiendo las bases”