Machine Learning and Deep Learning with Python (Libro)

Apuntes por capítulo del libro "Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2, 3rd Edition"

Chapter 1: Giving Computers the Ability to Learn from Data

Aprendizaje Supervisado

Sabemos la respuesta correcta antes de entrenar al modelo.

Clasificación

Determina la posición de las entradas sabiendo los distintos grupos discretos de información. Por ejemplo:

• Esto es SPAM o no? (clasificación binaria)

• La letra que has escrito es una A, una B, una C, etc. (clasificación multiclase)

Análisis de regresión

Busca la función de regresión más cercana a los puntos (normalmente con la media del cuadrado de la distancia a la recta). Por ejemplo:

• Sabiendo que hay una relación entre el tiempo de estudio de un examen y su calificación final en el test, se puede elaborar un modelo que prediga la nota de un futuro alumno sabiendo el tiempo de estudio

Aprendizaje por esfuerzo (reinforcement learning)

El objetivo es desarrollar un agente que mejore sus respuestas recibiendo una señal de recompensa (victoria/perdida) del entorno (reward signal). Esta señal puede ser inmediata o aplazada, y el agente trata de maximizar la recompensa. Por ejemplo:

• Ajedrez: tu movimiento recibe una victoria si quitas una ficha del oponente o una pérdida si tu oponente retira una de tus fichas.

Aprendizaje NO Supervisado

Intenta extraer la información relevante sin saber la función de recompensa o una variable resultado. El agente es quien tiene que “sacar la formula” sin saber la estructura de las variables.

Clustering (Clasificación no supervisada)

Es una clasificación en la que no tenemos información sobre los grupos (solo se sabe cuántos grupos hay). Por ejemplo:

• Preparación de campañas de marketing con el top 10 de intereses de los potenciales cliente.

Reducción de dimensionalidad

Se trata de eliminar el ruido del dataset y quedarnos con la información más relevante. Así, nuestro modelo no se entrenará con ruido y el dataset será más pequeño. Por ejemplo:

• Reduce una gráfica de 3D a 2D ignorando la dimensión que menos varía y, por tanto, menos relevancia tiene.