Evaluación, optimización y ensamblados

Esta lección es importante porque…

A continuación vamos explicando las distintas secciones de esta lección…

IRLO CONTANDO GRADUALMENTE, TRAS VER REGRESIÓN LINEAL O ASÍ, EMPIEZA A HABLAR DE ESTAS COSAS:
Optimización, Evaluación y Selección de Modelos – Es una fase transversal crítica para garantizar que los modelos funcionen correctamente en entornos reales. Aborda el análisis de errores (como el balance entre sesgo y varianza), métricas de bondad, estimación y ajuste de hiperparámetros, así como técnicas avanzadas para la detección del sobreajuste (overfit).

COMO BROCHE DE ORO AL TERMINAR EL APRENDIZAJE SUPERVISADO Y ANTES DE SALTAR A REDES NEURONALES O NO SUPERVISADO: Modelos Avanzados y Combinación de Modelos (Ensemble Methods) – Consiste en la agregación de múltiples modelos individuales para construir un predictor mucho más robusto y preciso. En esta categoría se estudian metodologías complejas mencionadas recurrentemente en los programas como Random Forest y XGBoost.

APLICACIÓN ESTRELLA: Data Mining. Detección de fraude, diagnóstico médico, predicción de demanda, filtros de spam y moderar contenido…

Práctica: Al programar el bucle del descenso de gradiente (forward pass, cálculo del error y actualización de pesos mediante derivadas), entienden el concepto de learning rate y convergencia. Pasar de lineal a logística solo requiere meter la función sigmoide y cambiar la función de pérdida. Una vez que han sufrido programando el descenso de gradiente a mano, les enseñas que con Sklearn se hace en tres líneas (model.fit(), model.predict()). Aquí aprovechas para meter otros modelos como Árboles de Decisión o SVM y las métricas de evaluación. Resolver un problema mucho más complejo (con variables categóricas, texto o muchas dimensiones) usando el abanico de modelos de Sklearn y validación cruzada.

Lecciones:
Métodos de regresión
Support Vector Machines (en español?)
Arboles de decisión
Clasificación bayesiana.
Optimización, evaluación y selección de modelos (entiendo que es Evaluación de los sistemas de aprendizaje automático…. también hay que hablar de su diseño)
Redes neuronales (¿también aquí? es que son modelos, no algoritmos… al menos contaré el perceptrón básico, el perceptrón multicapa, algoritmos de retropropagación)

Dedico una lección entera a las redes neuronales artificiales… con idea de que pueda decir algo de lo que es el deep learning, aunque sea muy brevemente y sabiendo que no vamos a poder profundizar.

Aprendizaje automático (o Machine Learning) clásico, explicar lo que es cada cosa es un paso básico y lo tengo que hacer SÍ o SÍ:
Regresión (puede servir para predecir el tiempo de juego, el gasto del jugador…) con Regresión Lineal, Random Forest Regressor o XGBoost que no sé lo que es
Clasificación (para predecir lo que decíamos del churn, detectar jugadores tóxicos frente a los que no loson…) con Logistic Regression, Decision Trees (coño, esto se cuenta en IAV), Random Fores, XGBoost… aquí podría ir Bayes pero lo mismo lo quitamos y queda como “curiosidad histórica”
SVM
Árboles
Redes neuronales
Evaluación? (es importante hablar de accuray, precision, recall, F1, ROC-AUC… para entender bien lo bueno o malo de lo que están haciendo) y verlo en métricas de negocio, esto es super útil para juegos muy masivos como los de móvil.

Vamos, ID3 y tal a aprendizaje automático. TODO EL APRENDIZAJE LO VOY A CONTAR y este es el fundamento de muchos algoritmos modernos.

Más información

Para complementar es recomendable consultar otros documentos.

• …