Conceptos básicos del aprendizaje automático

Comience con una predicción concreta o una tarea de apoyo a la toma de decisiones. Predecir un número es regresión; asignar una categoría es clasificar. Agrupar ejemplos sin etiquetar es agrupar. Generar nuevo texto o imágenes tiene diferentes objetivos y métodos de evaluación. Evite elegir una arquitectura moderna antes de definir el resultado. Un flujo de trabajo práctico incluye recopilación, preparación, ajuste de modelos, evaluación, implementación y monitoreo de datos. Los errores pueden surgir en cualquier etapa. Un modelo entrenado con registros bien formados puede fallar cuando un servicio de producción cambia de unidades o intercambia dos columnas de entrada. Establezca una línea de base antes de ajustar un modelo complejo. Para realizar pronósticos, el valor anterior puede ser una base útil; para la clasificación, la clase más común proporciona una comparación mínima. Una línea de base expone si la complejidad adicional aporta información útil. Utilice ejemplos de capacitación para ajustar parámetros y ejemplos separados para evaluar el desempeño. Mantenga el conjunto de prueba final fuera de ajustes repetidos. Elija métricas que reflejen las consecuencias de los errores e inspeccione los casos reales fallidos. Un sistema que funciona bien en promedio puede seguir siendo inutilizable en casos raros pero esenciales.