Introducción

Este curso consta de dos partes:

  • Introducción a los bosques de decisión, que es el curso que estás viendo.
  • Advanced Decision Forests, que se lanzará más adelante en 2022.

En este curso, se presentan los árboles de decisión y los bosques de decisión.

Los bosques de decisión son una familia de algoritmos y modelos de aprendizaje automático supervisados. Proporcionan los siguientes beneficios:

  • Son más fáciles de configurar que las redes neuronales. Los bosques de decisión tienen menos hiperparámetros; además, los hiperparámetros en los bosques de decisión proporcionan buenos valores predeterminados.
  • Manejan de forma nativa los atributos numéricos, categóricos y faltantes. Esto significa que puedes escribir mucho menos código de procesamiento previo que cuando usas una red neuronal, lo que te ahorra tiempo y reduce las fuentes de error.
  • Por lo general, brindan buenos resultados listos para usar, son robustos a los datos inconsistentes y tienen propiedades interpretables.
  • Infieren y entrenan en conjuntos de datos pequeños (ejemplos de 1,000,000) mucho más rápido que las redes neuronales.

Los bosques de decisión producen grandes resultados en las competencias de aprendizaje automático y se usan mucho en muchas tareas industriales. Los bosques de decisión son interpretables y prácticos. Puedes usar los bosques de decisión para muchas tareas de aprendizaje supervisado, incluidas las siguientes:

El material de este curso es genérico para los bosques de decisión y es independiente de cualquier biblioteca específica. Sin embargo, los cuadros naranjas como este contienen ejemplos de código que usan la biblioteca de bosques de decisión de TensorFlow (TF-DF). Si bien son específicos de TF-DF, esos ejemplos suelen convertirse con facilidad en otras bibliotecas de bosques de decisión.

Requisitos previos

En este curso, se da por sentado que completaste los siguientes cursos o que tienes conocimientos equivalentes:

Esperamos que disfrute del aprendizaje.