¿Qué debe saber todo científico de datos sobre el aprendizaje automático?

1. No hay balas de plata en el aprendizaje automático: a menudo necesita probar varios métodos, pero esto se vuelve más fácil con más experiencia
2. El aprendizaje automático cubre mucho terreno, como la agrupación, clasificación y regresión.
3. Debe comprender los métodos que planea usar y cómo no aplicarlos incorrectamente. La mayoría de las implementaciones vienen con algunos datos de prueba: ejecute los métodos sobre eso y juegue con los parámetros para tener una idea de cómo ajustar los mandos
4. Lo más importante: el aprendizaje automático se trata de generalización : desea que su hipótesis se generalice para probar los datos, por lo que no siempre tiene sentido adaptar sus datos de entrenamiento a la perfección. Una hipótesis que obtiene una precisión del 99% en sus datos de entrenamiento pero luego una precisión del 61% en sus datos de prueba no es una hipótesis muy buena.

La matemática detrás de los métodos. Esto guía la aplicación adecuada y la inferencia de técnicas. La mayoría de los paquetes recibirán casi cualquier cosa y darán salida; esto no significa que el problema esté resuelto correctamente. Conocer las matemáticas puede alertarlo sobre las limitaciones y suposiciones, así como sobre los posibles “puntos atascados” para los algoritmos subyacentes a un método de aprendizaje automático (por ejemplo, una mayor regresión y puntos de apoyo).

Si necesita algo para ayudar a construir la intuición, intente: https://www.slideshare.net/Colle …

El primero y más importante es “No todos los problemas de datos pueden resolverse mediante el aprendizaje automático”. Es importante tener esta claridad usted mismo y transmitirla al resto de las partes interesadas.

La mayoría de los científicos de datos tienen una comprensión decente sobre las técnicas de aprendizaje supervisado. Pero pocos tienen la habilidad de obtener el mejor modelo basado en los matices y los datos. La capacidad para desarrollar una conexión más profunda con los modelos (una buena manera de comenzar es conocer los supuestos subyacentes y su debilidad) es la clave para un ingeniero de ML.

El siguiente es un conocimiento sólido sobre el aprendizaje no supervisado que es igualmente crítico. La mayoría de los científicos de datos deberían poder aplicar técnicas como Agrupación, PCA, etc. Las buenas habilidades de ingeniería de características son lo que separa a un científico de datos experimentado de uno en ciernes.

Pocos obvios son los conceptos sobre capacitación, pruebas, validación cruzada. Y por último, pero no menos importante, el científico de datos debe estar bien versado en medidas de precisión (precisión, precisión, recuperación, puntaje F, matriz de confusión) para poder responderlas a las 4 a.m. 🙂

Ningún enfoque único puede reclamar una superioridad inherente sobre los demás, sobre todas las clases de problemas. – El teorema “Sin almuerzo gratis” (Wolpert y McReady).

Todos asesorarán sobre modelos (poco profundos frente a profundos, etc.), enfoques de exploración de datos, evaluación y generalización, etc. Al final del día, creo firmemente que no existe el mejor modelo, la mejor caja de herramientas o la mejor tecnología o enfoque curricular para convertirse en un buen científico de datos.

En lo que sí creo firmemente es que cada científico de datos debe desarrollar gradualmente un quinto sentido (o “presentimiento” si lo desea) sobre los datos y el proceso real que se está analizando para fines predictivos de inferencia.

Recuerde que SI no hay forma de que un humano (científico de datos o similar) pueda hacer una inferencia sobre un fenómeno ENTONCES es poco probable que un algoritmo de aprendizaje automático pueda aprender algo útil. Incluso si dominas decir solo un enfoque de modelo de aprendizaje superficial, realmente creo que es suficiente (teóricamente) para generar resultados buenos, factibles y comerciales. Eso, por supuesto, si combina sus conocimientos de aprendizaje automático con una comprensión decente del proceso físico / natural detrás de los datos, y desarrolla gradualmente el llamado “presentimiento”.

Primero comencemos con la herramienta que tienes que tener conocimiento. SAS.R y si es posible Python. La comprensión de las estadísticas básicas es imprescindible, debe estar a su alcance.

Modeling▪ Regresión. Regresión logística. AIRMA. Árbol de decisión. Oreja. Bosque al azar. Probabilidad. Teorema de Bayes.

Y deberías comenzar a sentir los datos … nunca duerme.

En esta era dinámica, el logro de las organizaciones depende de cuán rápida y productivamente puedan resolver las elecciones correctas. Esto ofrece ascender a la necesidad de las aplicaciones o instrumentos que podrían recopilar los datos y tomar las actividades en la premisa de eso. Una rama de la capacidad intelectual artificial que instruye a las máquinas a mejorar los rendimientos en vista de la comprensión del pasado, se denomina aprendizaje automático.

Apache Mahout es una biblioteca de código abierto escrita en Java destinada a crear cálculos adaptables en cuestión de momentos. Se utiliza para descubrir ejemplos importantes y educativos en las complejas colecciones informativas enormes. Esta aplicación es una expansión de la idea actual de realizar máquinas que es un campo en desarrollo de razonamiento computarizado. Se ejecuta fundamentalmente sobre el grupo Hadoop con la ayuda de MapReduce.

El aprendizaje automático no es nada sin los datos. El conjunto correcto de datos se convierte en un catalizador. Obtenga los datos correctos primero y el algoritmo se simplifica. Primero obtenga los datos incorrectos y ningún algoritmo funcionará. Básicamente, sé brillante en lo básico.