Introducción
No todos los modelos son ecuaciones matemáticas simples que se pueden representar como una línea. Algunos modelos complejos se consideran más como gráficos de flujo o estructuras de programación tradicionales. Estos modelos suelen contar con niveles adicionales de personalización, lo que puede hacer que sean más eficaces, aunque también más complicado trabajar con ellos. A lo largo de estos ejercicios, exploraremos este escenario, para lo cual manipularemos el modo en que los modelos funcionan y se entrenan. Aunque nos centraremos en un tipo de modelo, los principios generales que se enseñan aquí también se aplican a muchos otros.
Escenario: Predicción de resultados deportivos mediante aprendizaje automático
A lo largo de este módulo, haremos referencia al siguiente escenario de ejemplo cuando expliquemos los conceptos relacionados con la arquitectura de modelos y los hiperparámetros. Aunque este escenario está diseñado para que parezca complejo al principio, a medida que avancemos por los ejercicios aprenderemos a abordarlo con un poco de experimentación y pensamiento crítico.
El eslogan de los Juegos consta de tres palabras en latín: Citius, Altius, Fortius. Estas palabras significan Más rápido, Más alto, Más fuerte. Desde que se estableció este eslogan, la variedad de juegos ha crecido enormemente para incluir el tiro, la vela y los deportes de equipo. Nos gustaría explorar el papel que siguen jugando las características físicas básicas a la hora de predecir quién gana una medalla en uno de los eventos deportivos más prestigiosos del planeta. Para ello, exploraremos la gimnasia rítmica: una incorporación moderna a los juegos que combina el baile, la gimnasia y la calistenia. Podría caber esperar que las características básicas de edad, altura y peso solo desempeñan un papel limitado, dada la necesidad de agilidad, flexibilidad, destreza y coordinación. Vamos a usar algunos modelos de aprendizaje automático más avanzados para ver lo críticos que son realmente estos factores básicos.
Requisitos previos
- Familiaridad con los modelos de Machine Learning
Objetivos de aprendizaje
En este módulo, aprenderá a:
- Detectar nuevos tipos de modelos: árboles de decisión y bosques aleatorios.
- Cómo la arquitectura del modelo puede afectar al rendimiento.
- Practicar el trabajo con hiperparámetros para mejorar la eficacia del entrenamiento.