Mejora de modelos de ML I by Mg Jorge Kamlofsky https://padlet.com/mgjorgekamlofsky/Bookmarks en-us 2022-02-10 00:37:51 UTC 2022-02-15 02:57:50 UTC hello@padlet.com Actividad 1 mgjorgekamlofsky https://padlet.com/mgjorgekamlofsky/Bookmarks/wish/2039151848 Consignas:
Ver y analizar los videos propuestos.
Resumir e identificar las principales ideas de las temáticas expuestas.
Debatir y colaborar grupalmente.

Links:
- Bias y Varianza: https://www.youtube.com/watch?v=V6lWLUGSPf4
- Cross-Validation: https://www.youtube.com/watch?v=fSytzGwwBVw 
- Overfitting y Underfitting: https://www.youtube.com/watch?v=GUDJtDU4byY ]]> 2022-02-10 00:44:29 UTC https://padlet.com/mgjorgekamlofsky/Bookmarks/wish/2039151848 Actividad 2 mgjorgekamlofsky https://padlet.com/mgjorgekamlofsky/Bookmarks/wish/2039155758 Consignas:
Seleccionar al menos uno de los algoritmos que hemos visto 
a lo largo del curso e investigar acerca de los hiperparámetros que se 
podrían ajustar para incrementar la performance del mismo. Por ejemplo: KNN.
Comparar los métodos de optimización GridSearchCV vs RandomizedSearchCV.
Indagar sobre el método: Optimización basado en el Gradiente.
Comentar y Debatir grupalmente.]]> 2022-02-10 00:47:09 UTC https://padlet.com/mgjorgekamlofsky/Bookmarks/wish/2039155758 Sobreajuste: Un modelo cubre hasta el ruido, y aunque el ruido es aprendido por el modelo pero no aplica para los nuevos datos,sirve para no parametricos ni lineales, y son modelos pocos realistas Subajuste:No cubre todo los puntos que se muestran en el grafico. No se puede generalizar ciertos datos,nuestro modelo no se ajusta, ocurre cuando tenemos pocos datos para un modelo preciso. Alta varianza:cubre todos los puntos del gráfico, inclusive el ruido y los valores tipicos.Dar resultado pobre,modelo muy simple, o muy complejo para ajustar el objetivo https://padlet.com/mgjorgekamlofsky/Bookmarks/wish/2047603109    


]]> 2022-02-15 02:31:14 UTC https://padlet.com/mgjorgekamlofsky/Bookmarks/wish/2047603109 https://padlet.com/mgjorgekamlofsky/Bookmarks/wish/2047604865 2022-02-15 02:32:38 UTC https://padlet.com/mgjorgekamlofsky/Bookmarks/wish/2047604865 Algunos ejemplos de hiperparámetros utilizados para entrenar los modelos son: La ratio de aprendizaje en el algoritmo del descenso del gradiente. El número de vecinos en k-vecinos más cercanos (k-nn). La profundidad máxima en un árbol de decisión https://padlet.com/mgjorgekamlofsky/Bookmarks/wish/2047629131 Un hiperparámetro es un parámetro del algoritmo.Hiper-parámetros del algoritmo: Definen el modo de funcionamiento de la fase de aprendizaje con el objetivo de modificar el modo de ejecución del algoritmo de entrenamiento. Por ejemplo, la tasa de aprendizaje o el tamaño de batch.]]> 2022-02-15 02:51:26 UTC https://padlet.com/mgjorgekamlofsky/Bookmarks/wish/2047629131