Ideas clave
Deja que los ejemplos sustituyan a las reglas rígidas cuando el mundo no deja de cambiar.
Aprender de los ejemplos. El aprendizaje automático mejora el desempeño de una computadora en una tarea mediante la experiencia —por lo general, datos—, en lugar de depender únicamente de reglas escritas por un programador. Un filtro de spam ilustra la diferencia: en vez de mantener una lista cada vez más extensa de frases sospechosas, aprende patrones a partir de correos etiquetados como spam o legítimos y luego puede adaptarse cuando quienes envían spam cambian su forma de expresarse. Aprender resulta útil cuando las reglas se vuelven difíciles de manejar, el problema es demasiado complejo para especificarlo directamente o los patrones cambian con el tiempo. También puede revelar correlaciones en grandes conjuntos de datos que quizá las personas no habían advertido.
Elige el tipo de aprendizaje. Los ejemplos etiquetados sirven para tareas supervisadas, como la clasificación y la regresión. Los datos sin etiquetar pueden servir para agrupar, detectar anomalías y reducir la dimensionalidad. Los métodos semisupervisados combinan una pequeña cantidad de datos etiquetados con más ejemplos sin etiquetar. En cambio, el aprendizaje por refuerzo entrena a un agente mediante acciones y recompensas. Los sistemas por lotes se vuelven a entrenar con datos acumulados, mientras que los sistemas en línea se actualizan de manera incremental.
El ejemplo del filtro de spam vuelve concreta la promesa práctica del aprendizaje automático: sustituye el mantenimiento manual de reglas por un proceso capaz de incorporar nueva evidencia. La diferencia no radica tanto en que las computadoras se vuelvan inteligentes en general, sino en elegir un ciclo de retroalimentación útil para una tarea específica. Este enfoque también evita tratar cualquier problema de datos como si requiriera una red neuronal. Una tarea estable y bien entendida quizá no necesite ningún sistema de aprendizaje, y un modelo adaptable solo es valioso si las nuevas observaciones son fiables y el sistema puede responder de manera segura.
Considera los datos representativos y limpios como parte del propio modelo.
Los datos determinan qué se puede aprender. Un modelo solo puede generalizar a partir de los patrones presentes en sus datos de entrenamiento. Una muestra grande aún puede inducir a error si el proceso de recopilación está sesgado. En 1936, la encuesta de Literary Digest favoreció a los votantes más adinerados porque obtuvo nombres de fuentes como las guías telefónicas y recibió respuestas de menos de una cuarta parte de las personas contactadas. La predicción resultante no anticipó la victoria de Roosevelt. Más datos no habrían corregido el método de muestreo. Las mediciones ruidosas, los valores faltantes, las etiquetas con límites y las características irrelevantes también pueden distorsionar el aprendizaje.
Prepara las características con cuidado. En el ejemplo de las viviendas de California, el ingreso mediano guardaba una estrecha relación con los precios, mientras que proporciones como el número de dormitorios por habitación aportaban más información que los totales brutos por sí solos. La ingeniería de características consiste en seleccionar, combinar o crear entradas útiles. Los valores faltantes pueden eliminarse o imputarse, las categorías pueden codificarse y las características numéricas pueden escalarse. Ajusta esas transformaciones solo con los datos de entrenamiento y luego aplica las mismas transformaciones aprendidas a los datos de validación, prueba y entrada.
Esto corrige una imagen popular del aprendizaje automático: la de una competencia de algoritmos. La recopilación de datos es un proceso de medición, y sus puntos ciegos se convierten en los puntos ciegos del modelo. La historia de Literary Digest muestra que el sesgo de muestreo puede vencer a un gran volumen de datos; el ejemplo de las viviendas muestra que una representación mejor puede sacar a la luz señales que ya estaban presentes. Conviene añadir una advertencia: una asociación, por estrecha que sea, no demuestra causalidad. La importancia de las características puede orientar una investigación, pero no debe confundirse con una explicación de por qué cambian los precios.
Empieza por la decisión que debe respaldar el modelo y luego construye el flujo de trabajo.
Primero, define la tarea real. En el proyecto de viviendas, la predicción solicitada era el precio mediano de un distrito, pero el resultado se incorporaría a un sistema de inversión inmobiliaria. Ese uso comercial determinaba qué errores importaban y si se necesitaba una estimación de precios, en vez de una categoría de precios. Antes de elegir un algoritmo, aclara el objetivo, la solución existente, el rendimiento requerido, las limitaciones de los datos y las suposiciones. Un modelo es un componente de un proceso de toma de decisiones, no el producto final.
Haz que el trabajo sea reproducible. Un proyecto práctico pasa de la recopilación y exploración de datos a su limpieza y transformación, el entrenamiento, la evaluación, la presentación y el mantenimiento. La idea del flujo de trabajo del libro conecta las transformaciones de datos en una secuencia reproducible. En el ejemplo de las viviendas, unos pasos reutilizables se ocupaban de los dormitorios faltantes, la proximidad categórica al océano, las combinaciones de características y el escalado. La validación cruzada comparó los modelos candidatos, y un conjunto de prueba final, que se mantuvo intacto, permitió estimar el rendimiento una vez tomadas las decisiones. Guardar las transformaciones y los modelos facilita reproducir el procedimiento con datos nuevos.
El enfoque comercial conecta el aprendizaje automático con la ingeniería de sistemas: una predicción solo tiene valor si mejora una decisión. Esto también se parece al diseño experimental, donde la pregunta y el plan de medición deben establecerse antes de examinar los resultados. Un flujo de trabajo limpio hace que el proceso sea auditable y reproducible, pero la automatización no sustituye el criterio. Si el objetivo, las suposiciones o el uso posterior son incorrectos, un flujo de trabajo impecablemente reproducible puede resolver con eficiencia el problema equivocado.
Elige la complejidad según el rendimiento en casos nuevos, no la perfección en el entrenamiento.
Distingue el ajuste de la generalización. El subajuste ocurre cuando un modelo es demasiado simple para captar una estructura importante. El sobreajuste ocurre cuando se ajusta a los ejemplos de entrenamiento, incluido el ruido, pero funciona mal con casos nuevos. En el proyecto de viviendas, un árbol de decisión obtuvo un error de entrenamiento nulo: una señal de alerta, no un triunfo. La validación cruzada de diez particiones mostró un error medio de unos 71.200 dólares, ligeramente peor que los aproximadamente 69.000 dólares de la regresión lineal. Un bosque aleatorio redujo el error de validación cruzada a unos 52.600 dólares y, posteriormente, la búsqueda de hiperparámetros mejoró el RMSE en el conjunto de prueba reservado hasta aproximadamente 48.200 dólares.
Limita la libertad del modelo. La regularización restringe un modelo para reducir el sobreajuste. Ridge reduce los pesos; Lasso puede llevar a cero los pesos menos útiles, y la detención temprana interrumpe el entrenamiento cuando el rendimiento en validación deja de mejorar. Las curvas de aprendizaje ayudan a distinguir entre sesgo alto y varianza alta: si los errores de entrenamiento y validación son altos, puede ayudar un modelo más capaz o mejores características; si hay una gran diferencia entre ambos, conviene simplificar el modelo, regularizarlo o recopilar más datos.
El resultado perfecto del árbol de decisión en el entrenamiento demuestra de forma memorable que ajustar no es lo mismo que aprender. La validación cruzada ofrece una estimación mejor al probar cada ejemplo en una partición que se excluyó de su ciclo de entrenamiento. Sin embargo, los resultados siguen siendo estimaciones, no garantías: los datos pueden cambiar y la selección repetida de modelos también puede sobreajustar los resultados de validación. La disciplina fundamental consiste en basarse en pruebas comparativas. La complejidad solo se justifica cuando mejora el rendimiento con datos que no influyeron en la elección.
Evalúa los clasificadores según los errores que tu aplicación puede tolerar.
La exactitud puede ocultar fallos. En el ejemplo de MNIST, solo una de cada diez imágenes, aproximadamente, era un cinco escrito a mano. Por lo tanto, un clasificador que siempre respondiera «no es un cinco» alcanzaría cerca de un 90 % de exactitud sin detectar ni un solo cinco. Una matriz de confusión separa las predicciones positivas y negativas correctas e incorrectas. La precisión indica con qué frecuencia acierta una predicción positiva; la exhaustividad indica cuántos de los positivos reales encuentra el modelo. La puntuación F1 combina ambas, pero favorece el equilibrio y quizá no se ajuste a las necesidades de una tarea concreta.
Fija el umbral de decisión con criterio. La puntuación de un clasificador se compara con un umbral. Elevarlo suele aumentar la precisión y reducir la exhaustividad; bajarlo suele tener el efecto contrario. El equilibrio adecuado depende del costo de las falsas alarmas y de las detecciones que se pasan por alto. Las curvas ROC comparan las tasas de verdaderos positivos y falsos positivos, mientras que las curvas de precisión y exhaustividad resultan especialmente informativas cuando los ejemplos positivos son escasos. Las tareas multiclase pueden usar clasificadores uno contra todos o uno contra uno, y las tareas multietiqueta pueden asignar varias etiquetas a un solo ejemplo.
El clasificador que siempre responde «no es un cinco» pone al descubierto una trampa general: una métrica llamativa puede reflejar la prevalencia de la clase mayoritaria, no una utilidad genuina. La precisión y la exhaustividad obligan a quien toma las decisiones a describir las consecuencias de cada tipo de error. Ese criterio es más exigente que pedir una puntuación alta en abstracto. La selección del umbral también deja claro que la clasificación es, en parte, una decisión de política, no solo una propiedad del modelo ajustado. Las métricas del libro ayudan a cuantificar las compensaciones, pero las partes interesadas aún deben decidir qué errores son tolerables.
Adapta los algoritmos clásicos a la forma de los datos y a tus limitaciones.
Cada modelo parte de supuestos distintos. La regresión lineal ajusta combinaciones ponderadas de características; el descenso del gradiente busca parámetros desplazándose repetidamente hacia un error menor. Las máquinas de vectores de soporte buscan un margen de separación amplio, y los kernels les permiten representar límites no lineales sin construir explícitamente todas las características transformadas. Los árboles de decisión crean secuencias legibles de pruebas de características, pero pueden ser inestables y sobreajustarse si no se restringen. Los bosques aleatorios promedian muchos árboles diversos y suelen mejorar la generalización. Cada método conlleva supuestos y costos computacionales; por eso conviene comparar candidatos plausibles en lugar de esperar que exista un ganador universal.
Reduce la dimensionalidad con un propósito. El análisis de componentes principales (PCA) proyecta los datos en direcciones que conservan la mayor parte de la varianza. En MNIST, conservar alrededor del 95 % de la varianza puede reducir las 784 características de píxeles a poco más de 150. Esto puede ahorrar cómputo y almacenamiento, pero es posible que se pierda información pertinente para la tarea. Los métodos no lineales, como el aprendizaje localmente lineal, pueden desplegar estructuras de datos curvas, aunque quizá no escalen bien. Evalúa la reducción de dimensionalidad según la tarea posterior, no solo por su atractivo visual.
El recorrido de algoritmos del libro resulta más valioso como mapa de compensaciones que como clasificación. Los árboles ofrecen interpretabilidad y requieren poco preprocesamiento, mientras que los métodos de margen y los conjuntos pueden ofrecer otros comportamientos predictivos con distintos costos computacionales. El criterio de varianza del PCA es elegante, pero la varianza no equivale a la pertinencia respecto de un objetivo. Una característica con poca variación general aún puede distinguir una clase poco frecuente pero importante. Por eso, la selección de modelos se beneficia tanto del conocimiento del dominio como de la validación, en especial cuando la estructura aparente de un conjunto de datos no coincide con la decisión que debe tomarse.
Usa el aprendizaje profundo cuando la estructura y la escala de los datos favorezcan redes especializadas.
La profundidad es útil cuando los patrones se combinan. Un perceptrón multicapa combina características aprendidas a través de distintas capas, y la retropropagación ajusta sus conexiones enviando gradientes del error hacia atrás por la red. Las redes profundas pueden reutilizar patrones simples para construir otros más complejos, pero necesitan suficientes datos y capacidad de cómputo. En el ejemplo del libro, una red totalmente conectada alcanzó una exactitud de alrededor del 98,18 % en MNIST. Para las tareas con imágenes, las redes neuronales convolucionales usan conexiones locales y filtros compartidos, de modo que un patrón visual aprendido pueda detectarse en distintas zonas de la imagen con muchos menos parámetros que en un diseño totalmente conectado.
Dota de memoria a las secuencias. Las redes neuronales recurrentes conservan información entre pasos temporales, lo que las hace útiles para series temporales, texto y audio. Las celdas de memoria a largo y corto plazo usan compuertas para controlar qué información se conserva, se descarta y se expone, lo que ayuda a retener información de largo alcance. Los autoencoders aprenden representaciones comprimidas reconstruyendo sus entradas; las restricciones, como una capa de codificación estrecha o entradas alteradas, hacen que este proceso sea más que una simple copia. Pueden servir para aprender características, reducir la dimensionalidad y generar datos.
Las arquitecturas codifican supuestos sobre los datos. Las convoluciones suponen que los píxeles cercanos están relacionados y que los patrones útiles pueden repetirse en distintas zonas de una imagen; las redes recurrentes suponen que importan el orden de las secuencias y el estado que se conserva. Estos supuestos son sesgos inductivos: una especie de conocimiento previo útil que puede mejorar el aprendizaje cuando se ajusta a la tarea. También pueden inducir a error cuando los datos los contradicen. La pregunta práctica no es si el aprendizaje profundo es potente, sino si su estructura, su demanda de datos y sus exigencias computacionales están justificadas por el problema.
Estabiliza el entrenamiento de redes profundas antes de añadir más capas o datos.
Mantén los gradientes en un rango útil. En las redes profundas, los gradientes pueden reducirse hasta casi cero o crecer sin control al propagarse por las capas. La inicialización de Xavier y la de He asignan pesos iniciales que ayudan a mantener las señales y los gradientes en escalas útiles. Las activaciones de la familia ReLU reducen la saturación, mientras que la normalización por lotes vuelve a centrar y escala las entradas de las capas. El recorte de gradientes limita las actualizaciones excesivamente grandes. Adam combina tamaños de paso adaptativos con un historial acumulado de gradientes anteriores, y suele entrenar más rápido que el descenso del gradiente básico.
Controla el sobreajuste y reutiliza lo que funciona. El abandono temporal elimina unidades durante el entrenamiento y anima a la red a no depender de un conjunto reducido de conexiones. La detención temprana, las penalizaciones a los pesos y el aumento de datos ofrecen otros mecanismos de control. El aprendizaje por transferencia reutiliza capas inferiores de un modelo entrenado en una tarea relacionada y, a menudo, reduce la cantidad de datos etiquetados y el tiempo de entrenamiento necesarios. Estas técnicas abordan distintos modos de fallo; son herramientas que conviene probar, no adornos que garanticen mejoras.
Este conjunto de técnicas refleja una lección más amplia de la optimización numérica: el camino hacia una buena solución depende de la escala, el ruido y la geometría del objetivo, no solo del tamaño del modelo. La inicialización, la normalización, los optimizadores y la regularización dan forma a ese camino. Sus interacciones importan, por lo que una receta que funciona con un conjunto de datos puede fracasar con otro. Las opciones prácticas predeterminadas del libro son puntos de partida útiles, pero la validación sigue siendo el árbitro. Una pila de entrenamiento compleja puede dificultar el diagnóstico de los fallos si se cambia todo a la vez.
Entrena agentes a partir de las consecuencias cuando las acciones alteran las recompensas futuras.
Aprender actuando es distinto de aprender a partir de etiquetas. En el aprendizaje por refuerzo, un agente observa un entorno, elige acciones y recibe recompensas o penalizaciones. Aprende una política —una regla para elegir acciones en un estado— equilibrando la exploración con el aprovechamiento de lo que ha aprendido. En CartPole, una red neuronal elige si empujar hacia la izquierda o hacia la derecha para mantener erguido un poste. Como las recompensas pueden llegar después de muchas acciones, el agente debe resolver el problema de asignación de crédito: estimar qué decisiones anteriores contribuyeron a un resultado. Las recompensas descontadas dan más peso a los resultados cercanos que a los lejanos.
Aprende los valores a partir de la experiencia. Los gradientes de política ajustan las probabilidades de las acciones para favorecer aquellas asociadas con mejores retornos. El aprendizaje Q estima el valor futuro de las acciones. En problemas grandes como Ms. Pac-Man, una red Q profunda estima esos valores a partir de imágenes de pantalla. Una memoria de repetición almacena experiencias previas —estado, acción, recompensa y estado siguiente— y luego las muestrea para el entrenamiento, lo que reduce la dependencia de observaciones consecutivas muy correlacionadas.
El aprendizaje por refuerzo resulta atractivo porque conecta percepción, elección y consecuencia en un mismo ciclo de aprendizaje. Esa misma característica lo hace difícil: el diseño de las recompensas define qué significa «bueno», y una recompensa mal elegida puede fomentar un comportamiento que cumpla la métrica pero no la intención. La exploración también puede ser costosa en entornos donde los errores perjudican a las personas, los equipos o el dinero. Los entornos simulados pueden hacer que la experimentación sea más segura y rápida, pero una política que funciona en una simulación sigue dependiendo de que el mundo simulado represente los aspectos importantes de la realidad.
Un modelo no está terminado hasta que se supervisa su rendimiento en producción.
El despliegue cambia el problema. Un modelo entrenado debe recibir entradas de producción en el formato esperado, superar las pruebas y producir resultados que los sistemas posteriores puedan utilizar. Un flujo de datos puede organizar los componentes de forma modular, pero si falla un paso previo, los sistemas posteriores podrían seguir funcionando con información obsoleta. Por eso, la supervisión debe abarcar tanto las predicciones como la calidad de las entradas. Un modelo puede perder exactitud cuando cambia el mundo, aunque su código no haya cambiado.
Planifica el mantenimiento. Toma muestras de las predicciones para evaluarlas, recurre a revisores humanos cuando se necesiten etiquetas o juicios expertos y envía alertas si el rendimiento se deteriora. Automatiza el reentrenamiento con datos recientes cuando corresponda, conserva puntos de control y mantén una forma de volver a un modelo que haya demostrado ser fiable. El mensaje práctico del libro, de principio a fin, es que la preparación de datos, la evaluación, la documentación, la supervisión y el reentrenamiento suelen requerir tanta atención como la selección del algoritmo de aprendizaje.
El capítulo sobre producción rechaza la idea de que un modelo sea un producto terminado. Es mejor entenderlo como un componente de un sistema sociotécnico cambiante, en el que las fuentes de datos, los usuarios y las decisiones posteriores influyen en los resultados. Supervisar las distribuciones de entrada puede revelar problemas antes de que lo haga una métrica de exactitud que reacciona con retraso, mientras que la revisión humana puede ayudar a detectar fallos que las métricas no representan. La contrapartida es la carga operativa: un reentrenamiento frecuente sin una evaluación cuidadosa puede introducir regresiones. El mantenimiento requiere una persona responsable de forma explícita, no solo una tarea programada.
Análisis
El libro presenta una progresión práctica que va de la pregunta «¿qué significa que un sistema aprenda?» a las exigencias de mantener útil un sistema que ha aprendido. Su idea organizadora más sólida es que los algoritmos son solo una parte del aprendizaje automático. Las distinciones iniciales entre aprendizaje supervisado, no supervisado, semisupervisado, en línea y por refuerzo establecen un vocabulario para elegir la formulación adecuada del problema. Luego, el ejercicio sobre las viviendas de California convierte ese vocabulario en un flujo de trabajo y muestra cómo se articulan los objetivos comerciales, el análisis exploratorio, la preparación de características, la validación cruzada, la comparación de modelos y el despliegue.
El hilo conceptual más perdurable es la generalización. El libro contrasta repetidamente el rendimiento de un modelo en ejemplos que ya ha visto con su comportamiento ante casos nuevos. De ahí surgen conexiones entre la representatividad de los datos, el sobreajuste, la regularización, la validación, la elección de métricas y la supervisión en producción. La explicación resulta especialmente eficaz cuando un fallo concreto desmiente una cifra tranquilizadora: un árbol con error de entrenamiento nulo, un clasificador con alta exactitud que nunca detecta la clase minoritaria o una encuesta con millones de invitaciones que, aun así, emplea un muestreo deficiente.
El segundo hilo principal es la estructura. Los modelos lineales, los árboles, los kernels de máquinas de vectores de soporte, la reducción de dimensionalidad, las redes convolucionales, las redes recurrentes y los autoencoders se presentan como distintas maneras de representar patrones y restringir el aprendizaje. La lección no es que los modelos cada vez más elaborados sean inherentemente mejores, sino que los supuestos útiles sobre las relaciones entre características, la localidad espacial, las secuencias o las representaciones latentes pueden hacer más eficiente el aprendizaje, aunque cada supuesto imponga limitaciones.
El enfoque práctico del libro es una de sus fortalezas, sobre todo para quienes aprenden ejecutando código. Sin embargo, los ejemplos de TensorFlow de 2017 dependen de una API y un ecosistema de software antiguos. Al reutilizar el código, conviene conservar las lecciones conceptuales sobre arquitectura, optimización y evaluación, y consultar las interfaces actuales de las bibliotecas. Lo mejor es considerar el libro una guía conceptual de campo, duradera, no un manual de referencia actualizado ni una garantía de que una puntuación de referencia concreta vaya a trasladarse a un conjunto de datos nuevo.
Resumen de reseñas
Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow recibe elogios generalizados como una excelente introducción al aprendizaje automático. Los lectores valoran su cobertura exhaustiva, sus ejemplos prácticos y su enfoque equilibrado de la teoría y la aplicación. El libro destaca por sus explicaciones claras, ejercicios prácticos y uso de marcos de trabajo populares. Muchos lo consideran el mejor recurso para quienes empiezan y para estudiantes de nivel intermedio en aprendizaje automático. Aunque a algunos les resultan difíciles las secciones sobre aprendizaje profundo, la mayoría coincide en que es una referencia invaluable para quienes se interesan por el aprendizaje automático.
También leyeron
Glosario
sobreajuste
memorizar peculiaridades del entrenamientoEl sobreajuste ocurre cuando un modelo se ajusta estrechamente a los ejemplos de entrenamiento, incluidos el ruido o los patrones accidentales, pero tiene un rendimiento deficiente en casos desconocidos. Un polinomio de grado alto o un árbol de decisión sin restricciones pueden lograr un error de entrenamiento muy bajo y, aun así, generalizar mal. Contar con datos más representativos, modelos más sencillos, regularización y validación puede ayudar a detectar o reducir el problema.
validación cruzada
pruebas repetidas con datos reservadosLa validación cruzada estima el rendimiento de un modelo dividiendo los datos de entrenamiento en varios pliegues. El modelo se entrena con todos los pliegues menos uno y luego se evalúa con el pliegue reservado; este se va cambiando en cada ejecución. Las puntuaciones resultantes ayudan a comparar modelos y ajustar hiperparámetros sin recurrir repetidamente al conjunto de prueba final.
ingeniería de características
diseñar entradas útilesLa ingeniería de características es el proceso de seleccionar, transformar, combinar o crear variables de entrada que faciliten la detección de patrones por parte de un algoritmo de aprendizaje. En el ejemplo de viviendas de California, algunas proporciones, como habitaciones por hogar y dormitorios por habitación, resultaron más informativas que ciertos recuentos sin procesar. La ingeniería de características puede mejorar un modelo, pero debe aplicarse de forma coherente a los datos nuevos.
descenso del gradiente
minimización iterativa del errorEl descenso del gradiente ajusta los parámetros del modelo en la dirección que reduce una función de coste. El descenso del gradiente por lotes usa todos los ejemplos de entrenamiento en cada actualización; el descenso del gradiente estocástico usa un ejemplo, y el descenso del gradiente por minibatches usa un grupo pequeño. La tasa de aprendizaje y el escalado de características influyen en que el entrenamiento sea rápido, lento o inestable.
máquina de vectores de soporte
predictor de margen máximoUna máquina de vectores de soporte clasifica los datos al encontrar un límite de decisión con un margen amplio entre las clases. Los ejemplos de entrenamiento más cercanos a ese límite son los vectores de soporte, que determinan su posición. Los ajustes de margen blando permiten algunas infracciones, mientras que las funciones kernel hacen posibles límites no lineales sin construir explícitamente todas las características transformadas.
red neuronal convolucional
filtros compartidos para datos espacialesUna red neuronal convolucional usa conexiones locales y filtros compartidos para detectar patrones en una imagen u otra entrada estructurada. Las primeras capas pueden detectar características locales sencillas, mientras que las posteriores las combinan en patrones más complejos. Compartir pesos reduce el número de parámetros y permite reconocer la misma característica aprendida en distintas ubicaciones.
celda de memoria a largo y corto plazo (Long Short-Term Memory, LSTM)
memoria secuencial con compuertasUna celda de memoria a largo y corto plazo es una unidad de red neuronal recurrente diseñada para conservar información útil a lo largo de los pasos de una secuencia. Sus compuertas de entrada, olvido y salida controlan qué información se escribe en la memoria, se conserva y se expone. Este mecanismo ayuda a abordar la dificultad que tienen las redes recurrentes básicas para aprender dependencias en secuencias largas.
memoria de repetición
búfer de experiencias pasadasLa memoria de repetición almacena las experiencias pasadas de un agente, que suelen incluir el estado actual, la acción, la recompensa y el estado siguiente. Durante el entrenamiento, el algoritmo de aprendizaje extrae un lote de este búfer en lugar de depender únicamente de las experiencias consecutivas más recientes. Esto reduce la influencia de observaciones muy correlacionadas y permite aprender de interacciones anteriores.
red Q profunda (Deep Q-Network, DQN)
red neuronal para valores de acciónUna red Q profunda estima el valor futuro de las acciones posibles a partir de un estado observado y usa una red neuronal para aproximar los valores Q. Extiende el aprendizaje Q a problemas con demasiados estados posibles para una tabla de consulta, como un juego de Atari representado mediante imágenes. En el ejemplo del libro se combina con la exploración, la memoria de repetición y redes que se copian periódicamente.
Preguntas frecuentes
¿De qué trata Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow?
- Guía práctica: El libro propone un enfoque práctico para aprender aprendizaje automático y se centra en aplicaciones concretas con Scikit-Learn y TensorFlow.
- Cobertura exhaustiva: Abarca una amplia variedad de temas, incluidas técnicas tradicionales de aprendizaje automático y de aprendizaje profundo.
- Aplicaciones del mundo real: El autor, Aurélien Géron, incluye numerosos ejemplos y ejercicios para aplicar conceptos en situaciones reales.
¿Por qué debería leer Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow?
- Apto para principiantes: Está pensado para lectores con distintos niveles de experiencia; es accesible para quienes empiezan y, a la vez, ofrece profundidad a usuarios avanzados.
- Contenido actualizado: Incluye los últimos avances en aprendizaje automático y aprendizaje profundo, por lo que sigue siendo pertinente y actual.
- Ejercicios prácticos: Cada capítulo incluye ejercicios que refuerzan lo aprendido y permiten ponerlo en práctica de inmediato.
¿Cuáles son las principales conclusiones de Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow?
- Conceptos fundamentales: Los lectores comprenderán conceptos esenciales del aprendizaje automático, como el aprendizaje supervisado y no supervisado, la evaluación de modelos y la ingeniería de características.
- Implementación práctica: El libro ofrece orientación para implementar modelos de aprendizaje automático con Scikit-Learn y TensorFlow, mediante ejemplos de código y explicaciones detalladas.
- Técnicas avanzadas: Presenta temas avanzados como el aprendizaje profundo, el aprendizaje por refuerzo y los autocodificadores, y proporciona a los lectores un conjunto amplio de habilidades.
¿Cuáles son las mejores citas de Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow y qué significan?
- «El aprendizaje automático es la ciencia (y el arte) de programar ordenadores para que aprendan de los datos»: Destaca la doble naturaleza del aprendizaje automático: tanto disciplina científica como proceso creativo.
- «No te metas en aguas profundas demasiado deprisa»: Recomienda dominar los conceptos fundamentales antes de abordar temas avanzados como el aprendizaje profundo.
- «Si entra basura, sale basura»: Subraya la importancia fundamental de la calidad de los datos en el aprendizaje automático.
¿Cómo define Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow el sobreajuste y el infraajuste?
- Sobreajuste: Ocurre cuando un modelo aprende demasiado bien los datos de entrenamiento, hasta captar ruido y valores atípicos, lo que conduce a una generalización deficiente en datos no vistos.
- Infraajuste: Se produce cuando un modelo es demasiado sencillo para captar los patrones subyacentes de los datos, por lo que su rendimiento es deficiente tanto en el conjunto de entrenamiento como en el de prueba.
- Encontrar el equilibrio: El libro ofrece estrategias para lograr el equilibrio adecuado entre el sobreajuste y el infraajuste.
¿Cuál es la diferencia entre el aprendizaje supervisado y el no supervisado en Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow?
- Aprendizaje supervisado: Consiste en entrenar un modelo con datos etiquetados, donde se conoce el resultado deseado; se utiliza en tareas como la clasificación y la regresión.
- Aprendizaje no supervisado: Trabaja con datos sin etiquetar, en los que el modelo identifica patrones o agrupaciones sin conocer de antemano los resultados.
- Aplicaciones: El aprendizaje supervisado se utiliza cuando hay etiquetas disponibles, mientras que el no supervisado se emplea para el análisis exploratorio de datos.
¿Cómo explica Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow el concepto de ingeniería de características?
- Definición: La ingeniería de características es el proceso de seleccionar, modificar o crear características a partir de datos sin procesar para mejorar el rendimiento del modelo.
- Importancia: Las buenas características pueden mejorar considerablemente la exactitud del modelo, mientras que las deficientes pueden provocar un rendimiento subóptimo.
- Técnicas: Se analizan técnicas como la normalización, la codificación de variables categóricas y la creación de características de interacción.
¿Qué es la maldición de la dimensionalidad según Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow?
- Desafíos de los espacios de alta dimensión: Se refiere a fenómenos que aparecen al analizar datos en espacios de alta dimensión, donde los puntos de datos quedan dispersos.
- Impacto en el rendimiento del modelo: A los modelos puede costarles generalizar debido al sobreajuste, pues las instancias de entrenamiento quedan dispersas y alejadas entre sí.
- Necesidad de reducir la dimensionalidad: Se destaca la importancia de las técnicas de reducción de dimensionalidad para abordar estos problemas.
¿Cuál es el enfoque de Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow respecto a las redes neuronales?
- Introducción a las redes neuronales: Proporciona conocimientos fundamentales y explica su estructura y cómo aprenden de los datos.
- Marcos de trabajo para el aprendizaje profundo: Hace hincapié en el uso de TensorFlow para crear y entrenar redes neuronales, con ejemplos prácticos.
- Técnicas de entrenamiento: Analiza técnicas como la retropropagación y los algoritmos de optimización para lograr un entrenamiento eficaz.
¿Cuáles son los principales tipos de redes neuronales que se analizan en Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow?
- Perceptrones multicapa (MLP): Redes fundamentales compuestas por varias capas de neuronas, capaces de aprender funciones complejas.
- Redes neuronales convolucionales (CNN): Diseñadas para procesar datos con estructura de cuadrícula, como las imágenes, mediante capas convolucionales.
- Redes neuronales recurrentes (RNN): Adaptadas a datos secuenciales, permiten que la información persista a lo largo de los pasos temporales.
¿Qué es el aprendizaje por transferencia y cómo se implementa en Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow?
- Concepto de aprendizaje por transferencia: Consiste en reutilizar un modelo preentrenado para una tarea nueva pero relacionada, lo que reduce el tiempo de entrenamiento y la cantidad de datos necesarios.
- Pasos de implementación: Se describen pasos como congelar las capas inferiores y sustituir la capa de salida para adaptarla a la nueva tarea.
- Ejemplos prácticos: Se ofrecen ejemplos del uso de un modelo entrenado con un conjunto de datos grande para clasificar uno más pequeño.
¿Cómo aborda Aprende Machine Learning con Scikit-Learn, Keras y TensorFlow el problema de los gradientes que desaparecen o explotan?
- Comprender el problema: Los gradientes desaparecen cuando se vuelven demasiado pequeños y explotan cuando alcanzan un tamaño excesivo.
- Soluciones propuestas: Se analizan soluciones como una inicialización adecuada de los pesos y funciones de activación que no se saturan.
- Normalización por lotes: Se destaca la normalización por lotes como técnica para combatir estos problemas y permitir un entrenamiento estable.
Descargar PDF
Descargar EPUB
.epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.