Diseño de flujos de trabajo de Machine Learning en Python

En este capítulo, recordarás los fundamentos de un flujo de trabajo de aprendizaje supervisado, incluyendo ajuste, optimización y selección de modelos, ingeniería y selección de características, y técnicas de división de datos. Entenderás cómo estos pasos del flujo de trabajo dependen entre sí y reconocerás cómo todos pueden contribuir a, o combatir, el sobreajuste: el peor enemigo de la persona que hace ciencia de datos. Al final del capítulo, ya te desenvolverás con soltura en aprendizaje supervisado y estarás listo para sumergirte en material más avanzado en los capítulos siguientes.

En el capítulo anterior perfeccionaste tu conocimiento de los flujos de trabajo estándar de aprendizaje supervisado. En este capítulo, examinarás de forma crítica las maneras en que se incorpora el conocimiento experto en el aprendizaje supervisado. Esto se hace mediante la identificación de la unidad de análisis adecuada, que puede requerir ingeniería de características a partir de múltiples fuentes de datos; mediante el proceso, a veces imperfecto, de etiquetar ejemplos; y mediante la especificación de una función de pérdida que refleje el verdadero valor de negocio de los errores que comete tu modelo de machine learning.

En el capítulo anterior, empleaste diferentes formas de incorporar el feedback de personas expertas en tu flujo de trabajo y de evaluarlo de manera alineada con el valor de negocio. Ahora es el momento de practicar las habilidades necesarias para llevar tu modelo a producción y garantizar que siga rindiendo bien después, mejorándolo iterativamente. También aprenderás a diagnosticar el desplazamiento del conjunto de datos y a mitigar el efecto que un entorno cambiante puede tener en la precisión de tu modelo.

En los capítulos anteriores asentaste una base sólida en aprendizaje supervisado, con conocimientos sobre poner modelos en producción, pero siempre asumiste que habría un conjunto de datos etiquetado disponible para tu análisis. En este capítulo, afrontas el reto de modelar datos sin etiquetas o con muy pocas. Esto te lleva a explorar la detección de anomalías, un tipo de modelado no supervisado, así como el aprendizaje basado en distancias, donde las creencias sobre qué constituye la similitud entre dos ejemplos pueden usarse en lugar de etiquetas para ayudarte a lograr niveles de precisión comparables a un flujo de trabajo supervisado. Al completar este capítulo, destacarás claramente entre las personas que hacen ciencia de datos al saber con confianza qué herramientas usar para adaptar tu flujo de trabajo y superar desafíos habituales del mundo real.