Aprendizaje automático y clasificación

Name: Aprendizaje automático y clasificación
Author: Briana Brownell

Aprenda los fundamentos del modelado de clasificación y cómo gestionar la recopilación y el preprocesamiento de datos

Preview the first lesson free — get full access to all 6 lessons.

Curso: bajo demanda

En este capítulo, hablaremos de lo basico de modelado de clasificación, incluyendo cómo encaja en la imagen más grande de aprendizaje automático e inteligencia artificial. Entonces, ¿qué es el aprendizaje automático? Me encanta esta definición de Robert Schapire en Princeton porque nos da una manera intuitiva pensar en formas en que las computadoras pueden aprender. Lo primero que hay que notar en esta definición es que todo el aprendizaje automático depende en diferentes tipos de algoritmos informáticos que podemos utilizar para resolver diferentes problemas. Lo segundo es la dependencia de los datos. para que el aprendizaje automático funcione. Ahora, debido a que vivimos en un mundo tan rico en datos en este momento, es fácil olvidar que esto no siempre fue así. En la historia, los datos eran en realidad bastante escasos, y así la mayoría de los modelos de clasificación y la mayor parte del modelado de IA fue en realidad no basado en observaciones de datos; se basó en otras formas de datos que podríamos usar para construir algunos de estos sistemas más complejos, cosas como la instrucción y la experiencia directa. Pero ahora tenemos acceso a todo tipo de datos en todo tipo de dominios diferentes. Y así, la mayor parte del modelado de aprendizaje automático que vas a hacer depende del aprendizaje a partir de datos observacionales. Hay tres tipos principales de aprendizaje automático: aprendizaje supervisado, aprendizaje no supervisado, y aprendizaje por refuerzo. Y todos estos estilos amplios de aprendizaje automático resuelven diferentes problemas. Para el aprendizaje supervisado, se trata de hacer algún tipo de predicción o clasificación, y para eso necesitas ejemplos que sean, lo que se llaman, etiquetados. Y eso significa que tienes una serie de variables de entrada y estás tratando de usar esos para predecir algún tipo de resultado. Entonces, si piensas en el ejemplo de la rotación de clientes, usted puede tener un montón de datos que miran qué tan satisfecho estaba ese cliente con un producto, cómo estaban usando ese producto, y luego la variable de resultado fue si cancelaron o no su servicio. Para problemas de aprendizaje supervisado, es esencial tener esa variable etiquetada que puedes predecir. En comparación, el aprendizaje no supervisado no tiene una variable de salida etiquetada, y lo que eso significa es el tipo de problemas que estás resolviendo con el aprendizaje no supervisado son Un poquito diferente. Está buscando encontrar tipos de patrones emergentes dentro de los datos que te permiten explorar y usar los datos de una manera más sofisticada; cosas como entender qué variables están relacionadas el uno al otro; entender cosas como diferentes grupos, diferentes grupos dentro de los datos que puede usar para comprender los datos que tiene. Y finalmente, el aprendizaje por refuerzo es un poco diferente de ambos supervisados y aprendizaje automático no supervisado. En el aprendizaje por refuerzo, hay un agente activo que está aprendiendo un método tomar decisiones. Entonces, este estilo de aprendizaje automático es muy común en los juegos, entonces cosas como la enseñanza y la inteligencia artificial como jugar damas o ajedrez o cualquier otro juego por el estilo. El aprendizaje automático supervisado es con mucho, el estilo más común de aprendizaje automático que encontrará en la industria. Y, de hecho, el modelado de clasificación es un tipo importante de aprendizaje automático supervisado. Dicho esto, el aprendizaje automático no supervisado también se vuelven extremadamente importantes incluso mientras estás haciendo aprendizaje supervisado porque muchas de las metodologías que puedes usar en el aprendizaje no supervisado puede ser extremadamente importante al hacer cosas como la selección de características y comprender los matices dentro de los datos que estas usando dentro de un problema de aprendizaje automático supervisado, por lo que usarlos juntos es bastante común. Y así tocaremos algunos conceptos de aprendizaje no supervisado en este curso también. Ahora tienes los conceptos básicos de los tres tipos principales del aprendizaje automático y cómo el aprendizaje automático supervisado y el modelo de clasificación encaja dentro de ellos.

Intermedio Proveedor : Briana Brownell 6 lecciones · 26m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese

Descripción del curso

Estas lecciones presentarán el modelado de clasificación y su espacio de problemas dentro del aprendizaje automático supervisado. Esto incluirá el aprendizaje y el reconocimiento de la diferencia entre clasificación y predicción, y cómo el modelado de clasificación encaja en el campo más amplio del aprendizaje automático. Aprenderá a abordar los problemas de clasificación y se le presentará la tubería típica de los modelos de clasificación.

Una vez que comprenda la tubería del modelo de clasificación aprenderá cómo comenzar los pasos iniciales de la recopilación de datos. Finalmente, aprenderá consejos prácticos para gestionar la recopilación de datos e información sobre el preprocesamiento para un modelo de clasificación.

Lo que aprenderás

Distinguir la clasificación de la predicción y cómo la clasificación se encaja dentro del campo más amplio del aprendizaje automático
Reconocer conceptos básicos de clasificación dentro del aprendizaje automático supervisado
Aplicar el pipeline típico del modelo de clasificación para abordar problemas de clasificación
Comenzar los pasos iniciales de recopilación de datos para un modelo de clasificación
Gestionar la recopilación de datos y preprocesar datos para un modelo de clasificación

Puntos clave

El modelado de clasificación se sitúa dentro del espacio problemático del aprendizaje automático supervisado.
La clasificación y la predicción son distintas, y el curso enseña cómo distinguirlas.
Un modelo de clasificación típico sigue un pipeline, y comprenderlo le ayuda a abordar problemas de clasificación.
La recopilación y el preprocesamiento de datos son pasos iniciales importantes en la construcción de un modelo de clasificación.
El curso cubre consejos prácticos para gestionar la recopilación de datos para clasificación.

Preguntas frecuentes

¿Qué cubre este curso?

Introduce el modelado de clasificación y su espacio problemático dentro del aprendizaje automático supervisado, incluida la diferencia entre clasificación y predicción, cómo la clasificación se encaja en el campo más amplio del aprendizaje automático, el pipeline típico del modelo de clasificación, y los pasos iniciales de recopilación de datos y preprocesamiento.

¿Qué lecciones se incluyen?

Las lecciones son Aprendizaje automático supervisado, Conceptos básicos de clasificación, Clasificación versus predicción, El pipeline del modelo de clasificación, Recopilación de datos, y Preprocesamiento de datos.

¿Qué habilidades adquiriré?

Desarrollará habilidades en Clasificación de datos, Aprendizaje automático, Entrenamiento de modelos de aprendizaje automático, Monitoreo y evaluación de modelos de aprendizaje automático, Clasificación estadística, y Aprendizaje supervisado.

¿El curso explica la diferencia entre clasificación y predicción?

Sí. El curso enseña cómo aprender y reconocer la diferencia entre clasificación y predicción y cómo el modelado de clasificación se encaja en el campo más amplio del aprendizaje automático.

¿El curso aborda la recopilación y el preprocesamiento de datos?

Sí. Después de cubrir el pipeline del modelo de clasificación, enseña los pasos iniciales de recopilación de datos, más consejos prácticos sobre la gestión de la recopilación de datos e información sobre preprocesamiento para un modelo de clasificación.