Lección 6 del curso Introducción al Machine Learning.
En la lección anterior hablamos de las tareas y los diferentes tipos de tareas que existen en el Machine Learning.
En esta lección nos enfocaremos inicialmente en los algoritmos y los modelos y luego veremos en detalle los conceptos de parámetros e hiperparámetros:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
En el Machine Learning, el aprendizaje basado en instancias compara datos nuevos con datos conocidos para hacer predicciones, mientras que el aprendizaje basado en modelos crea un modelo que detecta patrones en los datos para generar dichas predicciones.
Por otra parte, los parámetros son variables internas (propias de los modelos) mientras que los hiperparámetros son variables externas que debemos ajustar como programadores del algoritmo de entrenamiento. Y el objetivo final es lograr encontrar la combinación de parámetros e hiperparámetros que generen las mejores predicciones posibles para una tarea determinada.
Ahora bien, cuando hablamos del aprendizaje basado en modelos vimos en el ejemplo que el algoritmo era un proceso que iterativamente operaba sobre los datos para progresivamente refinar el modelo. Este es un concepto muy importante en el Machine Learning que se conoce como el entrenamiento de un modelo, una fase de la cual vamos a hablar en detalle en la próxima lección.
Todas las lecciones del curso Introducción al Machine Learning