Ponga a prueba sus conocimientos

Las siguientes preguntas te ayudarán a consolidar tus conocimientos sobre los conceptos básicos del AA.

Poder predictivo

Los modelos de AA supervisados se entrenan con conjuntos de datos con ejemplos etiquetados. El modelo aprende a predecir la etiqueta a partir de los atributos. Sin embargo, no todos los atributos de un conjunto de datos tienen poder predictivo. En algunos casos, solo algunas características actúan como predictores de la etiqueta. En el siguiente conjunto de datos, usa el precio como la etiqueta y las columnas restantes como las características.

Ejemplo etiquetado de atributos de automóviles.

¿Cuáles de las siguientes opciones crees que son los mejores predictores del precio de un automóvil?
Millas, caja de cambios, marca_modelo.
Make_model, year, miles
Color, altura y make_model.
Tire_size, wheel_base, year.

Aprendizaje supervisado y no supervisado

Según el problema, usarás un enfoque supervisado o no supervisado. Por ejemplo, si conoces de antemano el valor o la categoría que deseas predecir, deberías usar el aprendizaje supervisado. Sin embargo, si quieres saber si tu conjunto de datos contiene segmentaciones o agrupaciones de ejemplos relacionados, debes usar el aprendizaje no supervisado.

Supongamos que tienes un conjunto de datos de usuarios de un sitio web de compras en línea que contiene las siguientes columnas:

Una imagen de una fila de atributos del cliente.

Si quisieras comprender los tipos de usuarios que visitan el sitio, ¿usarías el aprendizaje supervisado o no supervisado?
Aprendizaje supervisado porque intento predecir a qué clase pertenece un usuario.
Aprendizaje no supervisado.

Supongamos que tienes un conjunto de datos de uso de energía para casas con las siguientes columnas:

Imagen de una fila de atributos de la casa.

¿Qué tipo de AA usarías para predecir los kilovatios-hora utilizados por año en una casa recién construida?
Aprendizaje no supervisado.
Aprendizaje supervisado.

Supongamos que tienes un conjunto de datos de vuelos con las siguientes columnas:

Imagen de una fila de datos de vuelo.

Si quisieras predecir el costo de un boleto de autobús, ¿usarías la regresión o la clasificación?
Clasificación
Regresión
Según el conjunto de datos, ¿podrías entrenar un modelo de clasificación para clasificar el costo de un boleto de autobús como “alto”, “promedio” o “bajo”?
No. Los modelos de clasificación solo predicen dos categorías, como spam o not_spam. Este modelo tendría que predecir tres categorías.
Sí, pero primero debemos convertir los valores numéricos de la columna coach_ticket_cost en valores categóricos.
No. No es posible crear un modelo de clasificación. Los valores de coach_ticket_cost son numéricos, no categóricos.

Entrenamiento y evaluación

Después de entrenar un modelo, lo evaluamos con un conjunto de datos con ejemplos etiquetados y comparamos el valor previsto del modelo con el valor real de la etiqueta.

Selecciona las dos mejores respuestas para la pregunta.

Si las predicciones del modelo están muy lejos, ¿qué podrías hacer para mejorarlas?
Prueba con otro enfoque de entrenamiento. Por ejemplo, si usaste un enfoque supervisado, prueba uno no supervisado.
Vuelve a entrenar el modelo con un conjunto de datos más grande y diverso.
No puedes corregir un modelo cuyas predicciones están muy lejos.
Vuelve a entrenar el modelo, pero usa solo las características que crees que tienen el poder predictivo más fuerte para la etiqueta.

Ya puedes dar el siguiente paso en tu recorrido de AA:

  • Guía People + AI. Si buscas un conjunto de métodos, prácticas recomendadas y ejemplos presentados por Googlers, expertos de la industria y la investigación académica para usar el AA.

  • Enmarcado de problemas. Si buscas un enfoque probado en el campo para crear modelos de AA y evitar errores comunes en el camino.

  • Curso intensivo de aprendizaje automático. Si estás preparado para un enfoque práctico y detallado para aprender más sobre el AA.