Introducción
En este módulo se explora un proceso denominado aprendizaje supervisado, en el que los modelos de aprendizaje automático aprenden a partir de ejemplos.
Mediante la comprensión del aprendizaje supervisado, empezaremos a analizar los componentes individuales del proceso de aprendizaje y cómo este proceso puede mejorar un modelo. Mediante ejemplos, también descubriremos que configurar correctamente este proceso de aprendizaje es fundamental para lograr un modelo de alto rendimiento.
A lo largo de este módulo, usaremos el siguiente escenario para explicar el proceso de aprendizaje supervisado. Este escenario proporciona un ejemplo de cómo podría abordar estos conceptos cuando programa.
Su familia se ha encargado de la granja de alces más longeva del estado de Washington durante varias generaciones, pero el estado de su manada ha ido empeorando poco a poco durante décadas. Es bien sabido que la variedad de alce de su granja no debe alimentarse con cereales cuando el promedio de las temperaturas nocturnas es superior a la temperatura de congelación (32 °F o 0 °C). Por ese motivo, siempre ha seguido el calendario agrícola de su abuelo y ha sustituido la alimentación con cereales después del 31 de enero.
Recientemente ha leído que el cambio climático está afectando las prácticas agrícolas. ¿Podría este cambio explicar el empeoramiento de la salud del alce en los últimos años? Ayudándose de algunos datos meteorológicos históricos, intenta determinar si las temperaturas locales han cambiado con respecto a la época de su abuelo y si es necesario actualizar el calendario agrícola.
Prerrequisitos
Debe tener conocimientos básicos sobre entradas, salidas y modelos.
Objetivos de aprendizaje
Objetivos de este módulo:
- Definir el aprendizaje supervisado y sin supervisión.
- Explorar cómo afectan las funciones de costo al proceso de aprendizaje.
- Descubrir cómo se optimizan los modelos mediante el descenso de gradiente.
- Experimentar con las velocidades de aprendizaje y ver cómo pueden afectar al entrenamiento.