La “receta” para aplicar algoritmos de machine learning

ME GUSTA EL INGLES QUE PRONUNCIA Y HE APRENDIDO MUCHO DEL RETO QUE SE HIZO !!!

Les comparto un aporte que hice, en el que uso un escalamiento no lineal de tanh(x/a) . Y la diferencia con otro tipo de escaladores.

Creo que es la primera vez que me explican de forma tan sencilla la normalización de los datos. Símplemente restar la media y dividir por la desviación estándar para normalizarlos y así tener estabilidad en los datos.
Me encantó esta clase, me pareció muy útil

why is important ?

• normalizing data: ML has a better performance with normalized data for example in the range -1, 1. Models learn faster.
• hold out (split your datset): it is one of the best practice if you want to avoid the overfitting in your model.

Si el curso es en ingles, esta bien, pero debería de poner las diapositivas en ingles también

Aplicar algoritmos de machine learning sigue una serie de pasos generales. Aquí tienes una “receta” básica que puedes seguir:

Recopilar y preparar los datos:

• Comienza reuniendo los datos necesarios para tu problema de machine learning. Asegúrate de que los datos estén en un formato adecuado y que sean representativos de tu problema. Esto implica limpiar los datos, manejar los valores faltantes, realizar la codificación adecuada de variables categóricas, entre otros pasos de preprocesamiento.

Dividir los datos en conjuntos de entrenamiento y prueba:

• Para evaluar la eficacia del modelo, separa los datos en conjuntos de entrenamiento y prueba. El conjunto de entrenamiento se utiliza para ajustar y aprender el modelo, mientras que el conjunto de prueba se utiliza para evaluar el rendimiento del modelo en datos no vistos anteriormente.

Seleccionar el algoritmo de machine learning apropiado:

• Elige el algoritmo de machine learning adecuado según el tipo de problema que estés abordando (clasificación, regresión, clustering, etc.), la naturaleza de los datos y los requisitos específicos del proyecto. Algunos ejemplos de algoritmos comunes son regresión lineal, árboles de decisión, SVM, K-means, entre otros.

Entrenar el modelo:

• Utiliza el conjunto de entrenamiento para entrenar el modelo con el algoritmo seleccionado. Durante el entrenamiento, el modelo ajusta sus parámetros para hacer predicciones más precisas en función de los datos de entrenamiento.

Evaluar el modelo:

• Utiliza el conjunto de prueba para evaluar el rendimiento del modelo entrenado. Calcula métricas de evaluación adecuadas para tu problema, como precisión, exactitud, matriz de confusión, error cuadrático medio, etc. Esto te ayudará a comprender qué tan bien generaliza el modelo sobre datos no vistos.

Ajustar y optimizar el modelo:

• Si el rendimiento del modelo no es satisfactorio, es posible que debas realizar ajustes y optimizaciones. Puedes probar diferentes hiperparámetros, técnicas de selección de características o incluso considerar utilizar un algoritmo diferente. Este proceso iterativo te permite mejorar gradualmente el rendimiento del modelo.

Realizar predicciones en datos nuevos:

• Una vez que estés satisfecho con el rendimiento del modelo, puedes usarlo para hacer predicciones en nuevos datos sin etiquetar. Estos datos nuevos deben tener la misma estructura y características que los datos utilizados durante el entrenamiento.

Acá dejo un pequeño spoiler del Aprendizaje Supervisado:
https://www.youtube.com/watch?v=ijJYeLFtiVM&ab_channel=AprendeInnovando

La calidad de esta educadora es indiscutible. Pero la estructura de Platzi con este tema deja mucho que desear. Hay al menos dos cursos mas donde ya vi el concepto de ML y el concepto de normalización. Tal vez deberían usar el “pensamiento programador” y abstraer esta información dejándolo solo en este curso o algo por el estilo.

I share my tutorial about Non-Linear Data Transformation in Deepnote