Ciclo de Vida de un Proyecto de Machine Learning

Clase 6 de 23 • Curso de Fundamentos de AI para Data y Machine Learning

Clase anteriorSiguiente clase

Elias Garcia

student•

José M. Veintimilla

student•

Muy bien organizado el resumen.

Anthony Jean Paul Blaz Lazo

student•

Muy buen resumen

Christian Salazar Piñeros

student•

Uno de los problemas que tengo en mi vida es la organización de mi tiempo, a veces no logro estimar las horas que me toma realizar diferentes tareas en el trabajo, por lo que creo que utilizar una herramienta de machine learning que logre recopilar las tareas más frecuentes con el tiempo estimado de realización y el tiempo real ejecutado, pueda predecir los mejores horarios y tiempos para desarrollar las tareas de todo un mes. Esto facilitaría mucho mi organización y productividad.

Jorge Abel Gamboa Valiente

student•

A mi me ha funcionado muy bien dos cosas.

Leí el libro "The ONE Thing (solo una cosa) Libro de Gary W. Keller y Jay Papasan , con ello comprendí que no soy multitarea y asi cambié mi enfoque de intentar ser multitarea, a hacer solo una cosa a la vez y completa.

La otra es que hice un bullet journal con una libretita y me ha funcionado super bien y va en la misma direccion que ir haciendo una cosa a la vez. Saludos y espero te sirva

Jhoan Sebastián Lopera Gallego

student•

Buena aproximación compañero

Rodrigo Alles

student•

¿Cómo funciona el machine learning?

El machine learning es una rama de la inteligencia artificial que se enfoca en la construcción de algoritmos que pueden aprender de los datos sin ser programados explícitamente. Estos algoritmos pueden ser entrenados para realizar tareas específicas a través del análisis y la interpretación de los datos.

Proceso del machine learning

El proceso de machine learning generalmente se divide en tres etapas: entrenamiento, validación y prueba.

Entrenamiento

En la etapa de entrenamiento, el algoritmo de machine learning recibe un conjunto de datos de entrenamiento que incluye características y etiquetas. Las características son atributos que describen los datos y las etiquetas son las respuestas correctas que el algoritmo debe aprender a predecir. El algoritmo utiliza estos datos de entrenamiento para ajustar sus parámetros y mejorar su capacidad para hacer predicciones precisas.

Validación

En la etapa de validación, el algoritmo se prueba con un conjunto de datos de validación que no se utilizaron en el entrenamiento. La precisión del modelo se evalúa comparando las predicciones del modelo con las respuestas correctas en el conjunto de datos de validación. Si la precisión del modelo no es satisfactoria, se ajustan los parámetros del algoritmo y se repite la etapa de entrenamiento.

Prueba

En la etapa de prueba, el modelo se prueba con un conjunto de datos de prueba que es independiente del conjunto de entrenamiento y del conjunto de validación. Esto permite evaluar la capacidad del modelo para hacer predicciones precisas en datos nuevos y desconocidos.

Tipos de aprendizaje en el machine learning

Existen tres tipos de aprendizaje en el machine learning: supervisado, no supervisado y por refuerzo.

Aprendizaje supervisado

En el aprendizaje supervisado, el algoritmo recibe un conjunto de datos de entrenamiento que incluye características y etiquetas. El objetivo del modelo es aprender a predecir las etiquetas correctas para nuevos datos en función de las características.

Aprendizaje no supervisado

En el aprendizaje no supervisado, el algoritmo recibe un conjunto de datos de entrenamiento que solo incluye características y no hay etiquetas. El objetivo del modelo es encontrar patrones y estructuras en los datos y agruparlos en categorías.

Aprendizaje por refuerzo

En el aprendizaje por refuerzo, el algoritmo aprende a tomar decisiones en función de la retroalimentación que recibe. El algoritmo recibe una recompensa o un castigo en función de la precisión de sus decisiones y ajusta su comportamiento para maximizar la recompensa.

Ejemplos de aplicaciones del machine learning

El machine learning tiene una amplia variedad de aplicaciones en muchos campos diferentes. Algunos ejemplos incluyen la clasificación de imágenes, el análisis de sentimientos, la detección de fraude, la predicción del clima y el procesamiento del lenguaje natural.

Carlos Arias

student•

Excelente aporte!!!!

Vivian Argueta

student•

Me encantan mis compañeros nerdos que hacen sintésis fantásticas.

Maritza Flórez

student•

Me encantó la definición del concepto de modelo: Una representación sencilla de una realidad compleja.

Jhoan Sebastián Lopera Gallego

student•

Si jaja es algo abstracto pero interesante

Maritza Flórez

student•

Jajaja así es.

Sneider Ferreira

company_admin•

===NOTAS===

Con el machine learning la programación es diferente ya que tenemos datos de entrada y las respuestas que deseamos obtener, el modelo lo que hará es generar las reglas que el mismo requiere para generar nuevas predicciones

El ciclo de vida es común para todos los modelos por lo cual los pasos de este ciclo de vida son:

Recopilar grande cantidad de datos (base de datos, sensores, sistemas, etc)
Preparación de los datos segmentando los datos y eliminando lo que no usemos
Hipótesis y modelo o sea escoger el modelo a usar o Regresión lineal o Regresión logística o Árboles de decisión o Random Forest o Support Vector Machines (SVM) o Redes neuronales artificiales (ANN) o Redes neuronales convolucionales (CNN) o Redes neuronales recurrentes (RNN) o Modelos de agrupamiento (Clustering) o Modelos de asociación o Modelos de secuencias o Máquinas de vectores de soporte o Modelos de Markov ocultos o Modelos de Naive Bayes
Entrenamiento del modelo: es generar escenarios para que el modelo realice predicciones sobre datos que nunca ha visto.
Evaluación del modelo: vamos a entregarle datos que nunca ha visto para evaluar los resultados.
Producción: es cuando nuestro modelo comienza a producir y ya está interactúan con clientes y datos reales.
Mejora y ajuste que es la etapa donde recolectamos gran cantidad de datos de nuestros usuarios para ir realizando ajustes y mejoras al modelo.

Están etapas se deben de realizar de continuo para que el modelo se ajuste a futuros cambios sobre las reglas de negocio.

Maritza Flórez

student•

Un problema de mi vida diaria es que en ocasiones logro abrumarme por la cantidad de información que encuentro, cuando quiero conocer de un tema en específico. Por ejemplo, aprender a hacer algo. Creo que se podría automatizar con Machine Learning, en un modelo donde se diga que se quiere hacer y el porqué (objetivo) y este basado en tus datos recopilados de (intereses, profesión, ocupación) te comparta la opción más clara para el propósito.

Alejandro García Mateus

student•

Enfócate en que me pasa parecido, yo entiendo que un tema lo envuelve a uno en otros como una tela araña pero trato de terminar primero un tema y después dejarme envolver por el siguiente.

Rodrigo Alles

student•

Ciclo de vida de un proyecto de Machine Learning

El ciclo de vida en un proyecto de Machine Learning es el conjunto de fases por las que atraviesa un proyecto de este tipo, desde la definición del problema hasta la implantación del modelo resultante. Estas fases se pueden resumir en las siguientes:

1. Definición del problema

En esta fase se define el problema a resolver y se establecen los objetivos que se quieren alcanzar. También se recopilan los datos necesarios para el proyecto.

2. Análisis de los datos

En esta fase se analizan los datos recopilados y se lleva a cabo su preparación, limpieza y selección. Se busca obtener un conjunto de datos de alta calidad para la construcción del modelo.

3. Preprocesamiento de los datos

En esta fase se realizan las transformaciones necesarias en los datos para adaptarlos a los requisitos del modelo. Esto puede incluir la normalización de los datos, la selección de características relevantes y la reducción de la dimensionalidad.

4. Selección del modelo

En esta fase se selecciona el modelo de Machine Learning más adecuado para el problema a resolver. Se pueden probar diferentes modelos y técnicas para seleccionar el mejor en función de las métricas establecidas.

5. Entrenamiento del modelo

En esta fase se lleva a cabo el entrenamiento del modelo seleccionado. Se utiliza un conjunto de datos de entrenamiento para ajustar los parámetros del modelo y mejorar su rendimiento.

6. Validación del modelo

En esta fase se evalúa el rendimiento del modelo con un conjunto de datos de validación. Se comprueba si el modelo es capaz de generalizar bien a nuevos datos y se ajusta en caso necesario.

7. Evaluación del modelo

En esta fase se evalúa el rendimiento del modelo con un conjunto de datos de prueba. Se comparan los resultados obtenidos con las métricas establecidas en la fase de definición del problema.

8. Despliegue del modelo

En esta fase se implanta el modelo resultante en un entorno productivo. Se puede integrar en una aplicación, sistema o plataforma para su uso en la vida real.

9. Mantenimiento del modelo

En esta fase se lleva a cabo el mantenimiento del modelo. Se realizan ajustes y actualizaciones para asegurar su correcto funcionamiento a lo largo del tiempo.

Cada fase del ciclo de vida es importante y requiere una planificación y ejecución cuidadosa para garantizar el éxito del proyecto de Machine Learning.

Daniel Moreno

student•

Excelente aporte !!

Andres Hernandez

student•

Muchas gracias po tu aporte muy completo

Alexander Arias Urrego

student•

Jonatan Martin

student•

Siento que se pierde el punto de Machine Learning ya que no se repite de forma cíclica al final. Es mejor le grafico circular

Juan Felipe Avellaneda Tamayo

student•

Un problema que podría solucionarse con ML y sé que no soy el primero que lo piensa, sería definir qué menú podría prepararse a partir de lo que tengo en la nevera; que sea rico, saludable, variado y fácil de preparar. En etapa de producción se le suministran los ingredientes, y alguna información de requerimiento calórico del cliente, y el modelo regresa receta, tiempo estimado de preparación, cantidad de porciones e información nutricional estimada.

Patricia Cristina Arakawa Yagi

student•

De hecho el problema en sí mismo es la idea de una startup, tal vez fitia se le acerca un poco

Roberto Jassiel Montes Gutierrez

student•

como un refrigerador inteligente con ese feacture, que tenga sensores por todo el interior detectando y calculando que alimentos tienes refrigerando, y te de ese tipo de recomendaciones en una app movil o en una interfaz HMI

Santiago Ahumada Lozano

student•

¿Cómo funciona el machine learning?

Caso: Flappy bird

Imaginemos que queremos que un programa aprenda a jugar bien flappy bird ¿Cómo lo logramos?:

Programación tradicional: Tenemos datos y reglas establecidos por las programadoras y los programadores. Con base en ello esperamos que nuestro programa funcione eficientemente
IA / Machine learning: Tenemos datos, pero no reglas establecidas por las programadoras y los programadores, sin embargo conocemos las respuestas y le enseñamos a la IA (A través de un modelo de machine learning) a aprender esas reglas que no fueron programadas. Muy útil si las tareas se vuelven muy díficiles de programar

Ciclo de vida de un proyecto de Machine Learning

Recopilación de datos: De los que la IA se apoyara para aprender
Preparación de datos: Garbage In Garbage Out: Es importante limpiar los datos para que nuestro modelo sea de alta calidad
Selección del modelo: “Forma en la que nuestra IA” aprenderá
Evaluación del modelo: Analizamos si nuestro modelo es efectivo y eficiente. Le entregamos datos
Salida a producción: Nuestro modelo produce dinero, clientes. El modelo interactúa con datos reales y nuevos
Mejora y ajuste: Aquí empieza de nuevo el ciclo

Daniel Moreno

student•

Santiago, me quedo más claro, buen aporte

Jovanny Delgado

student•

Jhoan Sebastián Lopera Gallego

student•

Gracias por el aporte

Andrés Castellanos

student•

❌ El Machine Learning NO consiste en imitar comportamientos humanos

utilizar algoritmos basados en matemáticas para que una máquina APRENDA a imitar dichos comportamientos ✅. 🧵 . Es muy distinto: . 📜Crear una lista de instrucciones (algoritmo) para que una máquina clasifique peras y manzanas. . 🧠Enseñarle a una máquina a reconocer las características de cada fruta y que las clasifique. . La segunda opción es mucho más poderosa y puede ayudar a la máquina a identificar frutas incluso en situaciones complicadas. Este enfoque hace parte del machine learning 🤖, mientras que el primero no. . Machine learning hace parte de la IA pero no toda la IA es machine learning, así lo ejemplifica el primero enfoque mencionado.

Este aporte es un copy de mi tweet por si quieren continuar aprendiendo en público

Daniel Moreno

student•

Excelente aporte !!

David Antonio Morales Barrera

student•

Un ejemplo de problema (mal uso): Algunos obtienen respuestas de ChatGPT3 y luego postean esas respuestas aquí como si fuese un aporte, sin comprender ni analizar el concepto.

Quizás se pueda usar Mchine learning para validar que las respuestas no sean copy-paste de chatgpt3 u otra IA

Natalia Michelle Pineda Zorro

student•

Súper tu aporte. En el área de la educación ya están pensando cómo enfrentarse a problemas de entregas de trabajos realizados por ChatGPT, por ejemplo, la plataforma de evaluación y de detección de plagio Turnitin ya ha venido adelantando tareas en esta dirección. Te dejo un enlace por si te interesa el tema: https://www.turnitin.com/es/soluciones/escritura-con-ia

Jovanny Delgado

student•

Jose Federico Avila Mendoza

student•

muchas gracias

Eduardo Monzón

student•

Genial, gracias.

Victor Contreras

student•

Machine Learning es una rama de la IA que desarrolla algoritmos y técnicas para que los dispositivos aprendan a través de datos, identificando patrones y tomando decisiones asertivas de manera automatizada mejorando su desempeño con la experiencia.

Corrijanme si estoy equivocado, creo que un proyecto de ML sería: Los semáforos podrían mejorar descongestionando la ciudad entera usando visión artificial, (muchas veces estamos en la cola y del otro lado no hay autos) datos de las apps y aprendería que algunos días aunque sean entre semana podrían no tener tanto flujo (feriados) y fines de semana (fin de mes) más flujo del habitual.

Antonio Demarco Bonino

student•

Dejo este video de Dot CSV sobre Modelos que NO TIENE DESPERDICIO: https://www.youtube.com/watch?v=Sb8XVheowVQ&ab_channel=DotCSV

Jeremias Perez viton

student•

me encanta la tecnología y quiero aprender programar y ciencia de datos pero a veces me deprimo al intentar hacerlo y no logro entender

Mejia Juan Sebastian

student•

Todo es un proceso amigo, se trata de insistir e insistir, supongo que es normal que un principio se nos haga difícil comprender tantos conceptos y querer grabarlos en nuestra memoria, pero todo se trata de un proceso y muy seguro que podrás aprender a manejar todos estos conocimientos si simplemente te lo propones e insistes, recuerda no saturarte de información, ve con calma, pero seguro que podremos lograrlo, ¡ánimo!.

Samuel Rueda

student•

Dios te bendiga Jeremías, si no entiendes algo es porque aún te hace falta un concepto anterior, me explico. Es muy dificil aprender deep learning sin saber que es machine learning, y es aún más dificil aprender machine learning sin algún conocimiento básico de python y es dificil aprender python sin algún conocimiento de lógica de programación. Yo duré 3 años para poder aprender a programar, 1 año para estudiar fundamentos matematicos desde literal aprender a dividir y gracias a ese camino de aprender es que hoy en día vengo acá pero porque tengo unas bases solidas. Esa es mi recomendación, trabaja en tus fundamentos porque si están fuertes vas a ver que se hace muy fácil aprender cosas nuevas complejas

Natalia Fornasari

student•

Me suena al tan querido método científico. Me gusta esta clase.

Hecot Pulido

student•

Exacto, por eso los que ejecutamos este ciclo nos llamamos científicos de datos.

Esteban Hoyos

student•

Tengo muchos problemas para ir cómodo en Transmilenio a mi universidad, aun así existen casos donde voy sentado y sin vendedores. Me gustaría recopilar estos datos para saber cual es la mejor hora para mi caso concreto y así saber a que horas meter horario el siguiente semestre. Dependiendo vendedores, horas, rutas, si voy sentado o no, en que vagón voy, etc.

Mejia Juan Sebastian

student•

Creo que un ejemplo de Machine Learning podría ser un algoritmo que aprenda a identificar archivos que contengan virus analizando patrones que previamente hayan sido etiquetados por un usuario como archivos maliciosos.

Daniel Guerrero

student•

Eso ya lo hacen los antivirus online.