Detallando los pasos para completar una tarea de aprendizaje

Para lograr realizar las tareas en un aprendizaje de maquina, existen diversos pasos. Estos pasos hacen posible a un algoritmo aprender desde una fuente de datos dataset de manera eficiente, vamos a explorar estos pasos con cierto nivel de detalle así clarificar que necesitamos para completar una tarea de manera eficiente.

•  Definición del Problema:  En la primera etapa para el desarrollo de algoritmos/tareas de machine learning, la definición del problema es el inicio de la exploración en este camino, en este punto es importante poseer un objetivo a cumplir, en caso de no poseer un objetivo/vector objetivo/meta es posible realizar una prueba de conceptos y que tu objetivo sea netamente exploratorio. Lo importante es poder responder preguntas tales como:

1. Que es lo que deseamos enseñarle a la maquina?
2. De donde obtenemos los input?
3. Donde dejamos las predicciones?
4. Que necesito para hacer este aprendizaje posible?

• Evaluación: Evaluar es la siguiente fase en una tarea de Machine learning, aquí necesitamos especificar como las tareas de aprendizaje serán evaluadas, ademas es donde clarificamos el tipo de problema al cual nos enfrentamos (regresión,clasificación, dimensionalidad o definir vector objetivo), lo importante es obtener una medida de evaluación apropiada al caso de negocio presentado.

 

• Recolección de Data: En esta fase, la data que va a ser usada para el entrenamiento sera definida, la recolección de data es un proceso bastante tedioso y riguroso en el área del Machine Learning. Aquí es donde las variables ya sean  inputs o outputs son etiquetados, lastimosamente este es uno de los procesos que mayoritariamente se hacen a mano y que junto al proceso de cleaninig, toman mas tiempo.

 

• Análisis de data, Cleaning y Preprocessing : Aquí es necesario realizar un análisis preliminar sobre la data que poseemos, así entender y decidir que tipo de procedimiento aplicar al entrenamiento de los algoritmos, en adición a lo anterior, la data pasa por los procesos de cleaning y preprocessing, esto explicado en otro post.

 

• Entrenamiento, Validación y Ajuste de Hiperparametros : En este momento, múltiples modelos de Machine Learning pueden ser entrenados en un dataset que ya paso por los procesos de cleaning y preprocessing, el algoritmo de Machine Learning será validado contra otra data o puede ser ajustado con hiperparametros, lo importante aquí es seleccionar un algoritmo que tenga un buen rendimiento así enfocarnos en evaluarlo de manera exhaustiva.

 

• Testing y Predicciones: Aquí seleccionamos un modelo final de Machine Learning este es probado con propósitos predictivos, se utiliza el dataset de testing para esto.

 

• Deploy: Una vez que el modelo de Machine Learning fue entrenado, validado y testeado, es tiempo para que el modelo sea puesto en un ámbito productivo (ser utilizado por usuarios finales/reales)

Con esto damos un paso a paso a la realidad del entrenamiento y puesta en producción en Machine Learning, espero haber apoyado su aprendizaje y estaré atento a sus comentarios.