Aprender los conceptos clave

1

Todo lo que aprender谩s sobre MA con Scikit-Learn

2

驴C贸mo aprenden las m谩quinas?

3

Problemas que podemos resolver con Scikit-learn

4

Las matem谩ticas que vamos a necesitar

Iniciar un proyecto con sklearn

5

Configuraci贸n de nuestro entorno Python

6

Instalaci贸n de librer铆as en Python

7

Datasets que usaremos en el curso

Optimizaci贸n de features

8

驴C贸mo afectan nuestros features a los modelos de Machine Learning?

9

Introducci贸n al PCA

10

Preparaci贸n de datos para PCA e IPCA

11

Implementaci贸n del algoritmo PCA e IPCA

12

Kernels y KPCA

13

驴Qu茅 es la regularizaci贸n y c贸mo aplicarla?

14

Implementaci贸n de Lasso y Ridge

15

Explicaci贸n resultado de la implementaci贸n

16

ElasticNet: Una t茅cnica intermedia

Regresiones robustas

17

El problema de los valores at铆picos

18

Regresiones Robustas en Scikit-learn

19

Preparaci贸n de datos para la regresi贸n robusta

20

Implementaci贸n regresi贸n robusta

M茅todos de ensamble aplicados a clasificaci贸n

21

驴Qu茅 son los m茅todos de ensamble?

22

Preparaci贸n de datos para implementar m茅todos de ensamble

23

Implementaci贸n de Bagging

24

Implementaci贸n de Boosting

Clustering

25

Estrategias de Clustering

26

Implementaci贸n de Batch K-Means

27

Implementacti贸n de Mean-Shift

Optimizaci贸n param茅trica

28

Validaci贸n de nuestro modelo usando Cross Validation

29

Implementaci贸n de K-Folds Cross Validation

30

Optimizaci贸n param茅trica

31

Implementaci贸n de Randomized

32

Bonus: Auto Machine Learning

Salida a producci贸n

33

Revisi贸n de nuestra arquitectura de c贸digo

34

Importar y exportar modelos con Sklearn

35

Creaci贸n de una API con Flask para el modelo

36

Cierre del curso

37

Material adicional para consultar

Bonus: Auto Machine Learning

32/37

Lectura

A estas alturas, despu茅s de ver la forma en la que scikit-learn nos permite semi-automatizar la optimizaci贸n de nuestros modelos con GridSearchCV y RandomizedSearchCV es posible que te est茅s preguntando 驴Cu谩l es el l铆mite de esta automatizaci贸n?

Pues te sorprender谩s,

Automated Machine Learning (AutoML), es un concepto relativamente nuevo que en general pretende la completa automatizaci贸n de todo el proceso de Machine Learning, desde la extracci贸n de los datos hasta su publicaci贸n final de cara a los usuarios.

Sin embargo, este ideal a煤n est谩 en desarrollo en la mayor铆a de las etapas del proceso de Machine Learning y a煤n se depende bastante de la intervenci贸n humana. A煤n con esto, es importante que seamos conscientes de que ya existen varias herramientas que nos acercan un poco a esta meta casi tomada de la ciencia ficci贸n.

Puedes encontrar m谩s informaci贸n leyendo el siguiente enlace:

https://itmastersmag.com/noticias-analisis/que-es-automated-machine-learning-la-proxima-generacion-de-inteligencia-artificial/

La herramienta que te quiero presentar en esta clase se llama auto-sklearn, y nos ayudar谩 a llevar a煤n un paso m谩s lejos nuestro proceso de selecci贸n y optimizaci贸n de modelos de machine learning. Dado que autom谩ticamente prueba diferentes modelos predefinidos y configuraciones de par谩metros comunes hasta encontrar la que m谩s se ajuste seg煤n los datos que le pasemos como entrada. Con esta herramienta podr谩s entrenar modelos tanto de clasificaci贸n como de regresi贸n por igual.

Para una lista de los clasificadores disponibles consulta:

https://github.com/automl/auto-sklearn/tree/master/autosklearn/pipeline/components/classification

Y para una lista de los regresores disponibles consulta:

https://github.com/automl/auto-sklearn/tree/master/autosklearn/pipeline/components/regression

Ten en cuenta que podr谩s a帽adir modelos personalizados al proceso siguiendo los pasos descritos en la documentaci贸n.

auto-sklearn:

Esta herramienta es una librer铆a basada en los algoritmos de scikit-learn, aunque hay que tener presente que es una librer铆a externa y se debe instalar siempre por aparte. En todo caso al ser una librer铆a de Python se puede combinar sin ning煤n problema con el resto de nuestro c贸digo desarrollado para scikit-learn, incluso permitiendo la exportaci贸n de modelos ya entrenados para su posterior uso.

Enlace a la documentaci贸n: https://automl.github.io/auto-sklearn/master/index.html

Como lo puedes ver en su p谩gina web, los requerimientos para probar autosklearn son:

  • Se requiere un sistema operativo basado en Linux.

  • Python (>=3.5) .

  • Compilador para C++ (con soporte para C++11), por ejemplo GCC.

  • SWIG (versi贸n 3.0 o superior).

La forma de hacer funcionar nuestro algoritmo no podr铆a ser m谩s f谩cil. Nos resultar谩 bastante familiar a estas alturas despu茅s de haber trabajado tanto con sklearn.

import autosklearn.classification

cls = autosklearn.classification.AutoSklearnClassifier()

cls.fit(X_train, y_train)

predictions = cls.predict(X_test)

隆Te invito a conocer a fondo esta herramienta a trav茅s de su documentaci贸n y decidir si es la estrategia que est谩s buscando para tu problema espec铆fico!

Aportes 9

Preguntas 0

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Reg铆strate o inicia sesi贸n para participar.

Muy interesante este tema.
Lo incre铆ble es que mi mente ley贸 todo con la voz del profesor xD

Yo pensaba que estudiando ML iba a tener mejores oportunidades laborales y ya est谩n haciendo el Automated Machine Learning, creo que llegu茅 tarde 馃槮
鈥淓n 鈥淎 Brief Introduction to AutoML鈥, publicado por la revista de AI Becoming human, se indica que ML puede requerir contratar varias personas experimentadas y seguir sus sugerencias a prop贸sito de qu茅 modelo elegir. Mientras que con AutoML no hace falta hacer tal contrataci贸n, porque personal con menos experiencia t茅cnica puede hacer un desarrollo exitoso utilizando un modelo pre-construido en el sistema y que hasta puede usarse para implementaciones futuras鈥

AutoML muestra que es posible que sean las propias redes neurales las que dise帽en este tipo de redes鈥 鈥 Carajo, esto y el GPT-3 nos van a joder bastante por lo visto.

Interesante, con esto en mente solo queda una cosa que hacer, reventar la PC a computo. jsjsjsjs

Los enlaces de GitHub est谩n ca铆dos!

Creo que Platzi deber铆a sacar estos cursos de AutoML, 馃

Es interesante ver la manera en la cual, a trav茅s de cada curso que uno hace se ven formas m谩s f谩ciles e interesantes de aplicar los modelos de ML. Lo que nos puede llevar a la conclusi贸n, de que hay que educar a las empresas tradicionales, para que lo empiecen a aplicar en su toma de decisiones.

Curso de auto-sklearn! Por favor

Muy interesante :3