Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Nicolas Känzig
Email: nkaenzig@gmail.com
Workshop Repository: https://github.com/nkaenzig/ml-workshop
Contenido
𝜃 ∗ = argmin 𝑓 𝑥, 𝜃 − 𝑦 2
+ 𝛼 𝜃𝑖2
▪ Time Complexity (Training): 𝜃
𝑖=0
▪ O(n) Regularización
K-Means
▪ Unsupervised Clustering
▪ Scikit-Learn:
▪ sklearn.cluster.KMeans()
Neurona artificial
Como funciona el Entrenamiento?
▪ Objetivo: 𝜃 ∗ = argmin 𝐿 𝑥, 𝑦, 𝜃
𝜃
▪ Gradient Descent
𝐿(𝜃)
Lmin (𝜃)
𝜃
Machine Learning Frameworks
▪ Los modelos y algoritmos de optimización ya están implementados!
Machine Learning:
Deep Learning
Model Selection
# 𝑪𝒐𝒓𝒓𝒆𝒄𝒕 𝒑𝒓𝒆𝒅𝒊𝒄𝒕𝒊𝒐𝒏𝒔
𝑨𝒄𝒄𝒖𝒓𝒂𝒄𝒚 =
# 𝑷𝒓𝒆𝒅𝒊𝒄𝒕𝒊𝒐𝒏𝒔
# 𝑇𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠 1
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = # 𝑇𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠 + # 𝐹𝑎𝑙𝑠𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠
= 1+0 % = 100%
# 𝑇𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠 1
𝑅𝑒𝑐𝑎𝑙𝑙 = = 1+4 % = 20%
# 𝑇𝑟𝑢𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑠 + # 𝐹𝑎𝑙𝑠𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒𝑠
Como medir la calidad de las predicciones?
▪ Regresión:
▪ Mean Absolute Error
𝒏
𝟏
ෝ 𝒊 − 𝒚𝒊 |
𝑴𝑨𝑬 = | 𝒚
𝒏
𝒊=𝟏
𝒏
𝟏
𝑹𝑴𝑺𝑬 = 𝒚𝒊 −𝒚𝒊 )𝟐
(ෝ
𝒏
𝒊=𝟏
Training vs. Validation
Training
▪ División de los datos en 3 partes: (Training Set)
good performance
Final
Evaluation
(Test set)
Cross-Validation
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# Make predictions
y_predicted = model.predict(x_test, y_test)
# Evaluate
accuracy_score(y_test, y_predicted)