Del curso: Microsoft Azure IA esencial: Introducción a Workloads y Machine Learning en Azure

Introducción a machine learning

Del curso: Microsoft Azure IA esencial: Introducción a Workloads y Machine Learning en Azure

Introducción a machine learning

“

Machine learning es una técnica dentro de la inteligencia artificial que usa algoritmos matemáticos para crear modelos predictivos. Al algoritmo le pasamos algunos datos de ejemplo y este aprende a encontrar patrones para crear un modelo. El modelo resultante es usado para hacer predicciones o tomar decisiones usando un conjunto de datos nuevo. Hablemos con un poco más de detalle acerca de cómo funciona esto. Tomemos como ejemplo un agricultor que quiere predecir el rendimiento de sus cultivos. ¿Cómo nosotros podríamos ayudarle con machine learning? Lo primero que tendríamos que hacer es obtener toda la información útil, como por ejemplo, la cantidad de lluvia en la región, la temperatura ambiental, el índice de humedad, la elevación, la cantidad de luz solar, la química del suelo como nitrógeno, fósforo, potasio, etc. En machine learning, a todos estos datos les denominamos características o features del modelo, representadas en el eje de las x en un plano cartesiano. Por otro lado, también medimos el rendimiento de los cultivos basándonos en dichas características. A esto le denominamos las etiquetas o «labels», y se representan en el eje de las y en un plano cartesiano. Luego, rastreamos estas observaciones a través del tiempo, digamos, durante un año completo. Generalmente, todos estos datos los registramos en un conjunto de datos tabular. Una vez que tengamos los datos, los dividimos en dos conjuntos, uno para hacer el entrenamiento del modelo y otro para validarlo. Usualmente, esto es un 80 % y 20 % respectivamente, aunque no necesariamente tiene que ser así. Después, comenzamos el entrenamiento del modelo. En esta fase, el algoritmo busca patrones entre las características y las etiquetas. En términos generales, en este proceso se determina la función adecuada para regresar y tomando como parámetro x. Posteriormente, llega la fase de validación. Aquí el modelo usa el conjunto de resultados que hemos reservado para hacer la validación. ¿Te acuerdas de ese 20 %? Entonces, toma este conjunto de resultados para poder predecir el resultado. En este punto, podemos verificar qué tan precisas son estas predicciones basándonos en datos reales y usando métodos estadísticos. El entrenamiento y la validación son procesos iterativos. Si los resultados no son correctos, podemos ajustar los parámetros y volver a entrenar y validar hasta obtener los resultados deseados. El último paso es la inferencia. Una vez que hayamos elegido el mejor modelo, podemos desplegarlo como una aplicación web o API y usarlo para predecir el rendimiento de los cultivos, digamos, para la siguiente cosecha. En los próximos videos veremos los diferentes tipos de machine learning, sin embargo, todos ellos siguen el mismo proceso de obtención de datos, entrenamiento, prueba e inferencia.

Contenido