DataFluency.Academy

Categoría: MACHINE LEARNING

Regularización

La regularización es una técnica utilizada para evitar el sobreajuste que se produce cuando un modelo es demasiado complejo y se ajusta demasiado a los datos de entrenamiento, lo que da lugar a un escaso rendimiento a la hora de aplicarlo a nuevos datos. La regularización añade un término de penalización a la función de coste que el modelo intenta optimizar, lo que le disuade de ajustarse al ruido o a las fluctuaciones de los datos de entrenamiento.

Lee mas

¿Cómo aprende un modelo de Machine Learning?

En este artículo hablaré de cómo los modelos supervisados aprenden de los datos. Veremos que este problema de aprendizaje se traduce en un problema matemático de optimización, es decir que un algoritmo trata de resolver un problema de optimización. Dado que hablar de manera generalizada resultaría complicado, vamos a explicar este problema utilizando una regresión lineal que utiliza el algoritmo de “Descenso de Gradiente” (gradient descent algorithm) para encontrar el modelo que mejor se ajusta a los datos.

Lee mas

Introducción a los modelos supervisados

La mayoría de los modelos de Machine Learning se pueden dividir en supervisados y no supervisados. Se llaman “supervisados” cuando en el conjunto de datos tenemos unas cuantas variables de predicción y una variable resultado, y nuestro objetivo es definir la función capaz de reproducir la variable resultado (y).

Lee mas

Ciencia de datos, Machine Learning, Inteligencia Artificial… ¿Qué es qué?

A menudo escuchamos ciencia de datos, “machine learning” o inteligencia artificial en diferentes contextos y a veces usándolas como sinónimos. Si no te dedicas a ello o acabas de empezar en el mundo de la ciencia de datos, estos términos pueden resultar poco claros y algo de ciencia ficción. Sin embargo, muchos de los procesos relacionados son relativamente simples y quiero intentar aclararlos en este post.

Lee mas

Pin It on Pinterest