Aprendizaje Automático (Machine Learning)
Índice
3.1 Qué es aprender a partir de datos
3.2 Regresión y clasificación
3.3 Entrenamiento y métricas
3.4 Train / Validation / Test
3.5 Overfitting y underfitting
3.6 Hiperparámetros y optimización
-
Regresion y calificación
La regresión estima valores numéricos, mientras que la clasificación asigna categorías. Entender la diferencia evita errores de interpretación.
-
Over y Underfiting
El overfitting memoriza demasiado y el underfitting no aprende lo suficiente. Ambos afectan a la calidad del modelo.
-
Qué es aprender a partir de datos
La IA aprende a partir de datos detectando patrones, pero no comprende el significado de la información.
-
Cómo Aprende la IA. Machine Learning
El machine learning permite a la IA aprender a partir de datos detectando patrones. Pero eso no implica comprensión real.
-
Entrenamiento y Métricas
Entrenar un modelo es solo el primer paso. Las métricas permiten entender si realmente está funcionando bien y en qué condiciones falla.
-
División de Datos
Dividir los datos en entrenamiento, validación y test permite evaluar si un modelo realmente funciona o solo memoriza. Sin esta separación, no puedes saber si el resultado es fiable en el mundo real.
-
Hiperparámetros y Optimización
Los hiperparámetros controlan cómo aprende un modelo. Ajustarlos correctamente puede marcar la diferencia entre un modelo útil o uno ineficiente.
Resume estos datos
