M3 · Sesión 1 de 12

Marco del aprendizaje supervisado

Modelos de Aprendizaje Automático
Máster en Inteligencia Artificial, Automatización y Agentes Digitales
Next Educación · Próxima edición
Sami Halawa Ribas

Índice

  • 1Formulación
  • 2Sesgo y varianza
  • 3Línea base
  • 4Práctica: Línea base y curva de aprendizaje

Mapa de la sesión

Mapa de la sesiónBLOQUE 1FormulaciónBLOQUE 2Sesgo y varianzaBLOQUE 3Línea basePRÁCTICA ENTREGABLECuaderno con línea base y diagnóstico.
Objetivos de la sesión

Al terminar, el alumno será capaz de

1. Formular un problema como tarea de aprendizaje supervisado.
2. Comprender el compromiso sesgo-varianza.
3. Establecer una línea base defendible.
Estos objetivos son los que se evalúan en la práctica de la sesión y en la prueba del módulo.
1

Formulación

M3 · Sesión 1 · Marco del aprendizaje supervisado

Formulación

1Entrada, objetivo yfunción de pérdida2Regresión, clasificación yranking3Supuestos que asume elaprendizaje supervisado4Cuándo el problema no essupervisado
M3 · Sesión 1 · figura 1 de 3

Formulación — en la práctica

Qué hay que saber decidir

  • Entrada, objetivo y función de pérdida
  • Regresión, clasificación y ranking

Dónde suele fallar

  • Supuestos que asume el aprendizaje supervisado
  • Cuándo el problema no es supervisado
Criterio: ninguna de estas decisiones se toma por costumbre; cada una se justifica por escrito en el cuaderno de la sesión.
2

Sesgo y varianza

M3 · Sesión 1 · Marco del aprendizaje supervisado

Sesgo y varianza

DecisiónDescomposición del errorSobreajuste y subajuste conejemplosRiesgoCapacidad del modelo y tamaño demuestraCurvas de aprendizaje
M3 · Sesión 1 · figura 2 de 3

Sesgo y varianza — en la práctica

Qué hay que saber decidir

  • Descomposición del error
  • Sobreajuste y subajuste con ejemplos

Dónde suele fallar

  • Capacidad del modelo y tamaño de muestra
  • Curvas de aprendizaje
Criterio: ninguna de estas decisiones se toma por costumbre; cada una se justifica por escrito en el cuaderno de la sesión.
3

Línea base

M3 · Sesión 1 · Marco del aprendizaje supervisado

Línea base

1El modelo trivial y porqué siempre se calcula2Reglas de negocio comolínea base3Comparación honestacontra la línea base4Umbral de mejora quejustifica el proyectoSecuencia de trabajo de la sesión
M3 · Sesión 1 · figura 3 de 3

Línea base — en la práctica

Qué hay que saber decidir

  • El modelo trivial y por qué siempre se calcula
  • Reglas de negocio como línea base

Dónde suele fallar

  • Comparación honesta contra la línea base
  • Umbral de mejora que justifica el proyecto
Criterio: ninguna de estas decisiones se toma por costumbre; cada una se justifica por escrito en el cuaderno de la sesión.
4

Práctica

Línea base y curva de aprendizaje

Práctica: Línea base y curva de aprendizaje

Construcción de la línea base y diagnóstico de sesgo-varianza sobre el dataset del proyecto.

Pasos

  1. Implementar el modelo trivial.
  2. Ajustar un modelo simple.
  3. Trazar la curva de aprendizaje.
  4. Diagnosticar si falta dato o falta capacidad.
Stackscikit-learn, matplotlib
EntregableCuaderno con línea base y diagnóstico.

Ideas que hay que retener

Formulación: Entrada, objetivo y función de pérdida
Sesgo y varianza: Descomposición del error
Línea base: El modelo trivial y por qué siempre se calcula
Formular un problema como tarea de aprendizaje supervisado.

Para seguir

  • Hastie et al., ESL, cap. 7 (secciones 7.1-7.3)
Lectura opcional. El material de referencia obligatorio es el manual del módulo y el cuaderno de la sesión.

Sesión 1 completada

Siguiente paso: entregar «Cuaderno con línea base y diagnóstico.»

M3 · Modelos de Aprendizaje Automático
Sami Halawa Ribas · Next Educación