Contenido del curso
Optimización Automática de Modelos con Auto-sklearn
A estas alturas, después de ver la forma en la que scikit-learn nos permite semi-automatizar la optimización de nuestros modelos con GridSearchCV y RandomizedSearchCV es posible que te estés preguntando ¿Cuál es el límite de esta automatización?
Pues te sorprenderás,
Automated Machine Learning (AutoML), es un concepto relativamente nuevo que en general pretende la completa automatización de todo el proceso de Machine Learning, desde la extracción de los datos hasta su publicación final de cara a los usuarios.
Sin embargo, este ideal aún está en desarrollo en la mayoría de las etapas del proceso de Machine Learning y aún se depende bastante de la intervención humana. Aún 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 ficción.
Puedes encontrar más información leyendo el siguiente enlace:
La herramienta que te quiero presentar en esta clase se llama auto-sklearn, y nos ayudará a llevar aún un paso más lejos nuestro proceso de selección y optimización de modelos de machine learning. Dado que automáticamente prueba diferentes modelos predefinidos y configuraciones de parámetros comunes hasta encontrar la que más se ajuste según los datos que le pasemos como entrada. Con esta herramienta podrás entrenar modelos tanto de clasificación como de regresión 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 podrás añadir modelos personalizados al proceso siguiendo los pasos descritos en la documentación.
auto-sklearn:
Esta herramienta es una librería basada en los algoritmos de scikit-learn, aunque hay que tener presente que es una librería externa y se debe instalar siempre por aparte. En todo caso al ser una librería de Python se puede combinar sin ningún problema con el resto de nuestro código desarrollado para scikit-learn, incluso permitiendo la exportación de modelos ya entrenados para su posterior uso.
Enlace a la documentación: https://automl.github.io/auto-sklearn/master/index.html
Como lo puedes ver en su página 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 (versión 3.0 o superior).
La forma de hacer funcionar nuestro algoritmo no podría ser más fácil. Nos resultará bastante familiar a estas alturas después de haber trabajado tanto con sklearn.
import autosklearn.classification
cls = autosklearn.classification.AutoSklearnClassifier()
cls.fit(X_train, y_train)
predictions = cls.predict(X_test)
¡Te invito a conocer a fondo esta herramienta a través de su documentación y decidir si es la estrategia que estás buscando para tu problema específico!
María Victoria Pérez Mejía
Estudiante
Diego Jurado
Estudiante
David Martínez Jiménez
Estudiante
Alejandro Martínez Valencia
Estudiante
Juan Diego Ussa Aponte
Estudiante
Jorge Andrés Robledo Ariza
Estudiante
Christian Sanclemente
Estudiante
Aaron Fabrizio Calderon Guillermo
Estudiante
Jose Ochoa
Estudiante
Julián Cárdenas
Estudiante
Leandro Tenjo
Estudiante
Ariel Sharpe
EstudianteJulián Cárdenas
Estudiante
Mario Emiliano Gordon Pico
Estudiante
Juan R. Vergara M.
Estudiante
Jhon Freddy Tavera Blandon
Estudiante
Antonio Demarco Bonino
Estudiante
Eugenio Schiavoni
Estudiante
Jean Pierre Sulluchuco Valentin
Estudiante
Nestor Javier Zapata Sanchez
EstudianteMuy interesante este tema. Lo increíble es que mi mente leyó todo con la voz del profesor xD
Después de 30 clases ya es normal
Yo pensaba que estudiando ML iba a tener mejores oportunidades laborales y ya están haciendo el Automated Machine Learning, creo que llegué tarde :( "En “A Brief Introduction to AutoML”, publicado por la revista de AI Becoming human, se indica que ML puede requerir contratar varias personas experimentadas y seguir sus sugerencias a propósito de qué modelo elegir. Mientras que con AutoML no hace falta hacer tal contratación, porque personal con menos experiencia técnica puede hacer un desarrollo exitoso utilizando un modelo pre-construido en el sistema y que hasta puede usarse para implementaciones futuras"
No te creas, aunque mucho del trabajo se está automatizando, los que siguen tomando las decisiones son los humanos, los expertos son quienes al final toman la decisión de si se implemente el algoritmo sugerido o no. Te lo digo por experiencia. Yo tuve oportunidad de usar AutoML de IBM en el trabajo, y aunque si bien ayuda muy bien, se tiene que hacer un gran trabajo de ingenieria de features, ver si es posible conseguir nuevos datos o features en la vida real y no artificialmente. Elegir cuales tienen más sentido para resolver el problema. Si las empresas van a contratar personal con menos experiencia, entonces no están invirtiendo bien en su negocio. Es por ejemplo, en la construcción de una casa, pueden sacar manuales o tutoriales para construir una casa de estilo Minimalista, y solo contratas albañiles y saben imitarlo muy bien. Pero si se requiere un diseño más fino, personalizado a las circunstancias, el dueño quiere agregar otra cosa, quiere aprovechar la luz natural, en una zona que llueve mucho, etc, cosas inesperadas, el arquitecto tendrá más flexibilidad, libertad, seguridad y experiencia en adaptar el proyecto a las necesidades del cliente. Es como lo leía en un articulo de estadística, hacer model.fit() - model.predict() no te convierte en ni en Data Scientist ni en Artificial Intelligent Research.
Eso usted lo decia hace 6 años cuando ni siquiera había salido GPT3. Ahora imaginese como debe ser ahora con todo esta reovlucion tecnolgocia...
Creo que Platzi debería sacar estos cursos de AutoML, :thinking:
AutoML muestra que es posible que sean las propias redes neurales las que diseñen este tipo de redes” ... Carajo, esto y el GPT-3 nos van a joder bastante por lo visto.
Curso de auto-sklearn! Por favor
Es interesante ver la manera en la cual, a través de cada curso que uno hace se ven formas más fáciles e interesantes de aplicar los modelos de ML. Lo que nos puede llevar a la conclusión, de que hay que educar a las empresas tradicionales, para que lo empiecen a aplicar en su toma de decisiones.
hay es que aprender y venderles esas soluciones a las empresas =F
⚠️ IMPORTANTE
El valor no es solo saber escribir el codigo, sino entender los conceptos detrás de ese código y el porque de las decisiones.
Puede que el futuro de miedo, pero en tanto nunca paremos de aprender… Nuestro futuro sera brillante ✨
Interesante, con esto en mente solo queda una cosa que hacer, reventar la PC a computo. jsjsjsjs
Y para eso tienes los servicios de la nube
Los enlaces de GitHub están caídos!
Y actualmente ya tenemos IAs generativas como: ChatGPT con su code interpreter, GitHub Copilot o Code Whisperer de AWS para automatizar aún más las funciones de ML 🚀🤖🦾
El aprendizaje automático automatizado, o AutoML por sus siglas en inglés (Automated Machine Learning), se refiere a la automatización de tareas clave en el proceso de desarrollo de modelos de aprendizaje automático. Estas tareas incluyen la selección de algoritmos, la ingeniería de características, la optimización de hiperparámetros, la evaluación de modelos y, en algunos casos, incluso la implementación de modelos en producción.
Bastante interesante la lectura, y todo el material que nos comparten
Con esto espero dar un mejor entendimiento y una mejor lógica a la diferencia de ambas ML:
Si algunx tiene problemas para instalar auto-sklearn desde ubuntu o no tiene un sistema linux en deepnote se puede usar, solo hay que intalarlo con:
!pip install auto-sklearn
Muy interesante :3
Dice que el Auto-Sklearn no funciona en una máquina con Windows esto es real?
