¿Qué se necesita para hacer Machine Learning?
Es primordial comprender el inconveniente que debemos solucionar. Quizás no me cree si le digo que he visto casos en los que se halló una solución idónea para un inconveniente diferente al que tenía. Comprender el inconveniente acostumbra llevar bastante tiempo, especialmente si el inconveniente procede de una industria donde tienes pocos entendimientos. He asignado un esfuerzo parcialmente medio a esta etapa por el hecho de que la iniciativa es ayudar con gente que sabe bastante sobre el inconveniente.
Mi consejo para comprender mejor el inconveniente es preguntarse ¿por qué razón? … y en el momento en que te respondan, regresa a preguntar ¿por qué razón? … y de este modo consecutivamente hasta el momento en que estés satisfecho. Habitualmente, entender el porqué de las cosas le puede contribuir a entender de forma rápida la forma de meditar en esta industria. Además de esto, te va a ser mucho más simple imaginarte las respuestas a otras cuestiones que indudablemente va a tener en el momento en que trabaja en el inconveniente.
Lista de elementos para iniciar con Machine Learning.
En este capítulo sugiero una sucesión de materiales en línea, para iniciarse en el planeta del estudio automático.
- Distill.pub – https://distill.pub/
- El Gradient – ”à Paso 2: Conozca estadísticas y álgebra lineal
el álgebra lineal es una sección primordial del estudio automático, introduciendo múltiples algoritmos en esta área tienen sus bases estadísticas, con lo que este conocimiento es fundamental .
A veces, estos temas se ignoran en el momento en que se estudia la educación automático y son entendimientos escenciales puesto que todos y cada uno de los algoritmos del estudio automático se fundamentan en ello.
Estudio automático supervisado y no supervisado
La educación automático se distribuye en 2 áreas primordiales: estudio supervisado y estudio no supervisado. Si bien logre parecer que el primero tiene relación a la predicción con intervención humana y el segundo no, estos 2 conceptos tienen mucho más que ver con lo que deseamos realizar con los datos.
Entre los usos mucho más extendidos del estudio supervisado es efectuar conjeturas futuras desde hábitos o peculiaridades que se vieron en datos ahora guardados (historial de datos). La educación supervisado le deja buscar patrones en datos históricos relacionando todos y cada uno de los campos con un campo particular, llamado campo propósito. Por poner un ejemplo, los clientes marcan los mails como «contenido publicitario» o «lícitos». El desarrollo de predicción empieza con un análisis de qué especificaciones o patrones tienen los e-mails marcados ahora con las dos etiquetas. Se puede saber, por servirnos de un ejemplo, que un contenido publicitario es aquel que procede de ciertas direcciones IP, y asimismo tiene una cierta proporción de artículo/imagen, y asimismo tiene dentro ciertas expresiones, y asimismo no hay ninguna persona en el campo «Para:» , y además de esto (varios a mucho más)… Este sería solo entre los patrones. Una vez ciertos todos y cada uno de los patrones (esta etapa tiene por nombre «estudio»), los nuevos correos que jamás estuvieron marcados como contenido publicitario o lícitos se equiparan con los patrones y se clasifican (sosprechado) como «contenido publicitario» o «legítimo» en función de sus especificaciones. .
– Análisis de clúster
Para iniciar, el análisis de clúster es un análisis multivariante descriptivo que deja saber sin mucha información qué clientes son afines/homogéneos.
Esta herramienta trabaja con la medida de la distancia/diferencia entre datos o cambiantes, donde reúne todas y cada una de las distancias próximas y discrimina las cambiantes que tienen mayor distancia entre ellas.
