Introducción
En este módulo se explora un proceso denominado aprendizaje supervisado, en el que los modelos de aprendizaje automático aprenden a partir de ejemplos.
Mediante la comprensión del aprendizaje supervisado, empezaremos a analizar los componentes individuales del proceso de aprendizaje y cómo este proceso puede mejorar un modelo. Mediante ejemplos, también descubriremos que configurar correctamente este proceso de aprendizaje es fundamental para lograr un modelo de alto rendimiento.
A lo largo de este módulo, usaremos el siguiente escenario para explicar el proceso de aprendizaje supervisado. Este escenario proporciona un ejemplo de cómo podría abordar estos conceptos cuando programa.
Su familia lleva varias generaciones encargándose de la granja de alces más longeva del estado de Washington, pero desde hace décadas la salud de su manada empeora lentamente. Es bien sabido que la variedad de alce de su granja no debe alimentarse cuando las temperaturas medias nocturnas superan la temperatura de congelación (32 °F o 0 °C). Por ese motivo, tradicionalmente sigue el calendario agrícola de su abuelo y sustituye la alimentación con cereales después del 31 de enero.
Recientemente ha leído que el cambio climático está afectando las prácticas agrícolas. ¿Podría este cambio explicar el empeoramiento de la salud de sus alces en los últimos años? Ayudándose de algunos datos meteorológicos históricos, intenta determinar si las temperaturas locales han cambiado con respecto a la época de su abuelo y si es necesario actualizar el calendario agrícola.
Requisitos previos
Debe tener conocimientos básicos sobre entradas, salidas y modelos.
Objetivos de aprendizaje
Objetivos de este módulo:
- Definir el aprendizaje supervisado y sin supervisión.
- Explorar cómo afectan las funciones de costo al proceso de aprendizaje.
- Descubra cómo optimizar los modelos mediante el descenso del gradiente.
- Experimentar con las velocidades de aprendizaje y ver cómo pueden afectar al entrenamiento.