2.1.9 AI/Aprendizaje Automático II: Datos, Representaciones y Evaluación

Temas:
Core

• Trabajar con Datos:
  1. Preprocesamiento de datos:
     1. Importancia y peligros de las elecciones de preprocesamiento
  2. Manejo de valores faltantes (imputación, marcar como faltante):
     1. Implicaciones de imputar versus marcar como faltante
  3. Codificación de variables categóricas, codificación de datos de valor real
  4. Normalización/estandarización
  5. énfasis en datos reales, no ejemplos de libros de texto
• Representaciones:
  1. Espacios de hipótesis y complejidad
  2. Expansión de características de base simple, como elevar al cuadrado características univariadas
  3. Representaciones de características aprendidas
• Evaluación del aprendizaje automático:
  1. Separación de conjuntos de entrenamiento, validación y prueba
  2. Métricas de rendimiento para clasificadores
  3. Estimación del rendimiento en prueba en datos retenidos
  4. Ajuste de los parámetros de un modelo de aprendizaje automático con un conjunto de validación
  5. Importancia de entender qué está haciendo un modelo, dónde están sus peligros/limitaciones y las implicaciones de sus decisiones

Aprendizaje esperado (Learning Outcomes):
Core:

1. Aplicar dos o más algoritmos de aprendizaje estadístico simple a una tarea de clasificación y medir la precisión de los clasificadores [Aplicar]
2. Implementar un algoritmo de aprendizaje estadístico y el proceso de optimización correspondiente para entrenar el clasificador y obtener una predicción en nuevos datos [Aplicar]
3. Explicar los procedimientos adecuados de evaluación de AA, incluyendo las diferencias entre rendimiento en entrenamiento y prueba, y qué puede salir mal con el proceso de evaluación llevando a informes inexactos del rendimiento de AA [Explicar]
4. Comparar dos algoritmos de aprendizaje automático en un conjunto de datos, implementando la metodología de preprocesamiento de datos y evaluación (por ejemplo, métricas y manejo de divisiones entrenamiento/prueba) desde cero [Aplicar]