En este curso, se presentan árboles de decisión y 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.
- A menudo, proporcionan buenos resultados listos para usar, son resistentes a datos ruidosos y tienen propiedades interpretables.
- Infieren y entrenan con conjuntos de datos pequeños (menos de 1 millón) más rápido que las redes neuronales.
Los bosques de decisión producen resultados excelentes en las competencias de aprendizaje automático y se usan mucho en muchas tareas industriales. Los bosques de decisión son interpretables, prácticos y eficientes. 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 agnósticos a 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:
- Curso intensivo de aprendizaje automático
- Enmarcado de problemas del aprendizaje automático
- Ingeniería de atributos y preparación de datos
Esperamos que disfrute del aprendizaje.