Clase 8 de 8 • Laboratorio de Machine Learning: Optimización de Modelos
Contenido del curso
FELIX DAVID CORDOVA GARCIA
Ricardo Alanis
Ricardo Alanis
Jorge Andres Avendano Carabali
Ricardo Alanis
Adolfo César De Boeck
Ricardo Alanis
Yo creé un app usando el mejor modelo de Machine Learning que estimé con los datos entregados en clase, no utilicé el código que me dieron porque honestamente no me gusto y no lo entendí muy bien, asi que lo hice todo a mi estilo, aquí estan todo lo que cree: https://github.com/DAVID316CORDOVA/Churn_Rate_Project
El análisis de los datos en Jupyter Notebook esta aquí: https://github.com/DAVID316CORDOVA/Churn_Rate_Project/blob/master/Lab-Platzi-Machine%20Learning.ipynb
El modelo puesto en producción lo pueden ver aquí: https://churnrates.azurewebsites.net/
Me tomó 02 días hacerlo todo, se que tengo que mejorar el diseño, así que seguiré practicando más CSS.
Espero les pueda servir de "inspiración" a alguien
Genial! Seria muy bueno que documentaras bien tu API, y que nos dejes tu contribucion que del codigo no te gusto, porque asi podemos aprender todos desde tu criterio.
A veces empezar algo desde cero, con buenos objetivos, es la mejor idea.
Vamos!!
Por cierto, viene un laboratorio, con estos mismos datos, para produccionalizar la API. Seguro tu contribucion sera excelente para el!!
Resumen 1. ¿Qué es lo primero que debes hacer cuando te entregan un proyecto profesional de un modelo de machine learning? Clonar el proyecto, probarlo y explorar el proceso de cómo funciona y se utiliza. 2. ¿Al obtener acceso a un modelo de machine learning, que debe ser optimizado, es necesario revisar y analizar los datos que se utilizaron para entrenarlo? Sí, porque los datos y como se procesaron son la materia prima. Pueden indicarnos dónde existen áreas de mejora. Mejores datos llevan a mejores modelos. 3. ¿Por qué es importante la estructura de archivos de un proyecto profesional de data science? Marca una organización entendible para que más personas entiendan dónde se encuentran notebooks, datasets y otros archivos para que sea sencillo de utilizar. 4. ¿Por qué es necesario probar el funcionamiento y estructura de un proyecto de machine learning antes de proponer cambios? Ayuda a entender cómo se carga y procesa la información y como se evalúa y utiliza el modelo para ver su desempeño. Esto da visibilidad de mejoras al seguir el proceso paso a paso. 5. ¿Qué puede ocurrir cuando un modelo se entrena directamente con los parámetros disponibles sin crear combinaciones o eliminar algunos? Podemos crear redundancia en la información y generar overfitting y sesgos en el modelo. 6. ¿Siempre es necesario cambiar de algoritmo de machine learning para mejorar los resultados de un problema? No, es necesario que evalúes las diferentes opciones y los beneficios que se pueden tener. Por ejemplo, hay algoritmos con menor tendencia al overfitting. Pero siempre la primera opción debería ser proponer mejorar los datos. 7. ¿Qué otros algoritmos de machine learning podrían usarse para el problema de churn de FINNTEK CORP? SVM, KNN, árboles de decisión. 8. ¿Cómo se puede determinar qué enriquecer en datos de un proyecto de machine learning? Revisar las columnas del dataset teniendo conocimiento/contexto del negocio y sus datos. Se recomienda ampliamente hacerlo con personas que sean expertas en cómo funciona el negocio. Ver menos
Gracias!
Hola! En mi caso modifiqué el solver y optimicé los resultados hasta un 81% en el accuracy. Comparto mi repositorio. Saludos! https://github.com/adolfo85/laboratorio-machine-learning
Gracias por compartir!
