Professional Documents
Culture Documents
Puercoespín
Aprendizaje Automático (Machine Learning)
… ¿pero cómo?
Parte 1 Nociones básicas de
Aprendizaje Automático
Queríamos un programa que ...
"Silla"
No "Silla"
Queríamos un programa que ...
DESCRIPCIÓN
PESO 5.3 KG
Predicción
COLOR Negro "Silla"
#PATAS 5
Clasificador
DESCRIPCIÓN Toma datos como entrada,
devuelve etiquetas como salida
PESO 12.4 KG
DESCRIPCIÓN
PESO 5.3 KG
Predicción
COLOR Negro "Silla"
Entonces,
#PATAS
¿hay que programar el clasificador?
5
Clasificador
DESCRIPCIÓN Toma datos como entrada,
devuelve etiquetas como salida
PESO 12.4 KG
3.4 Marrón 3 Sí
10.2 Varios 2 No
4.5 Verde 4 No
Instancias
5.2 ??? 4 Sí
(ejemplos)
3.2 Marrón 3 No
Ent
4.5 Verde 4 No rena
do
5.2 ??? 4 Sí
3.2 Marrón 3 No
DESCRIPCIÓN
PESO 6.2 KG Ent
ren
ado
97%
COLOR Negro
#PATAS 4
Aprendizaje supervisado 1 2 3
Deep
Hacer Blue le
predicciones ganó a Kasparov (1996) …
… pero, ¿podría hacer otra cosa?
DESCRIPCIÓN
PESO 6.2 KG Ent
ren
ado
97%
COLOR Negro
¿Cómo
#PATAS 4 modificamos lo anterior si se modifica el
problema?
Aprendizaje supervisado
Puntos a tener en cuenta
¿Hay suficientes datos? ¿Elegí el algoritmo adecuado? ¿Cómo mido mis resultados?
¿Los datos están balanceados? ¿Con qué parámetros tiene sentido ¿Son resultados que generalizan al
tunearlo? problema en el mundo exterior?
¿Sobre cuántos entreno mis modelos?
¿Cómo puedo testearlo? ¿Qué métricas conviene utilizar?
¿Sobre cuántos valido mis modelos?
¿Puedo reutilizar un clasificador ya ¿Puedo medir significancia estadística?
¿Qué pinta tienen los datos? entrenado?
¿Es comparable mi resultado con otros
resultados similares?
... …. ….
Parte 2 ¿Qué es lo que realmente
hacen los clasificadores?
¿Qué pinta tienen los features?
Formas de extraer features
PESO 4.2
PESO 9
#PATAS 3
(Peso, #Patas, Material)
#PATAS 4
MATERIAL 1
MATERIAL 0
Silla
Mesa
PESO 2
PESO 10
#PATAS 0
#PATAS 3
MATERIAL 2
MATERIAL 2
Maceta
Mesa
¿Qué pinta tienen los features?
Formas de extraer features
No se programan,
12 42 15 23
14 42 42 14
24 23 23 24
Silla
FOTO 14 41 42 42
13 32 13 23
234 42 244 14
Perro
24 243 2 24
FOTO
14 42 4 42
Deep learning
No viene gratis…
● Necesitamos muchos datos etiquetados.
● Necesitamos mucho poder de cómputo.
Si quiero entender cómo un cerebro procesa
● El modelo resultante suele ser muy complejo y opaco.
imágenes… ¿puedo partirlo en 2 y fijarme?
problemas? LIBROS
COURSERA