Transcripciones
1. Introducción: A pesar de que la IA y el aprendizaje automático son mucho más accesibles hoy en día, todavía
es difícil llegar a ser lo suficientemente hábil como para construir modelos decentes de IA y de aprendizaje automático. Auto, sí, Auto ML y nuevas herramientas que proporcionan métodos y procedimientos para que la
inteligencia artificial y el aprendizaje automático estén disponibles para los no expertos. Estas herramientas permiten proporcionar los datos de capacitación como entrada y recibir un modelo optimizado como salida. Es tan simple como eso. En esta serie de videoconferencias, les voy a presentar el auto EA de IBM Watson, que es una de las mejores soluciones existentes que
permiten construir modelos de machine learning sin ningún tipo de codificación. Mi nombre es Enigma, y seré tu instructor para este curso. Este curso está diseñado para aquellos que quieran tomar un atajo a la inteligencia artificial y el aprendizaje automático sin flecha de codificación. Echemos un vistazo al contenido del curso. En primer lugar, se familiarizará con la computación en la nube, los servicios de
IBM Cloud, la inteligencia artificial y el aprendizaje automático. Entonces averiguaremos qué es el auto AAA y cómo funciona. Por último, construirá e implementará sus primeros modelos de Machine Learning utilizando conjuntos de datos del mundo real. Entonces, empecemos. Espero que disfruten de este curso.
2. Introducción a IBM Cloud: En esta sección, te daré una breve introducción a IBM Cloud. Entonces primero empecemos con la computación en la nube. computación en la nube es la entrega bajo demanda de recursos de TI a través de internet. Con los precios de pago por uso, normalmente pagas solo por los servicios Cloud que usas, lo que reduce tus costos operativos. La computación en la nube es un gran cambio de la forma tradicional. Las empresas piensan en los recursos de TI. Las empresas se convierten en servicios de computación en nube porque
la computación en nube elimina el gasto de capital de comprar hardware y software y configurar centros de datos internos. En segundo lugar, los servicios de cloud computing se ejecutan en una red de centros de datos, que se ha actualizado sistemáticamente a la última generación de hardware informático rápido y eficiente. Además, muchos proveedores de nube ofrecen un conjunto de políticas, tecnologías y controles que protegen los datos de amenazas potenciales. actualidad, existen muchas empresas que ofrecen llamadas Servicios, y la mayoría de ellas son muy confiables. Los cinco principales proveedores de servicios en la nube son Amazon Web Services, IBM Cloud, Microsoft Azure, Google Cloud Platform y Adobe Creative Cloud. Además de los servicios de almacenamiento, redes y procesamiento, estos proveedores ofrecen otras soluciones, como bases de datos, inteligencia artificial, análisis de
datos e infraestructuras sin servidor. La informática en la nube también se categoriza en tres modelos de prestación de servicios. Infraestructura como servicio, plataforma como servicio, y software como servicio. infraestructura como servicio contiene los bloques básicos para la nube. Se. Normalmente proporciona acceso a funciones de red ,
computadoras y espacio de almacenamiento de datos. Plataforma como Servicio elimina la necesidad de que usted administre infraestructura de
subrayado y le permite enfocarse en la implementación y administración de sus aplicaciones. Otro concepto que surge junto con el pase es la idea de serverless. En tanto que el proveedor de servicios en la nube administra una infraestructura escalable que utiliza recursos de acuerdo a la demanda. El software como servicio le proporciona un producto completo que se ejecuta y administra el proveedor de servicios. modelo Saas es el más reconocible por el público en general. Muchos usuarios interactúan con aplicaciones SaaS sin saberlo. Normalmente, los ejemplos de aplicaciones SaaS son Gmail, outlook, Google Drive y Dropbox. Ibm cloud ofrece tanto plataforma como servicio e infraestructura como servicio capacidades de servicio para construir, ejecutar y administrar aplicaciones. Ibm Cloud Platform ofrece una amplia gama de servicios para asegurar, almacenar, servir y analizar datos. Fue IBM los desarrolladores en la nube pueden centrarse en construir unas excelentes experiencias de usuario con opciones de computación flexibles, elección de sintonizaciones de DevOps y el poderoso conjunto de API y servicios de IBM y de terceros. La plataforma Ibm Cloud está compuesta por múltiples componentes que trabajan en conjunto. Robots, consolas que sirve como front-end para crear,
visualizar, administrar sus recursos en la nube. Y componente de administración de identidades y accesos que autentica de forma segura los usuarios y controla el acceso a los recursos en toda IBM Cloud. Un catálogo que consta de cientos de ofertas en la nube de IBM. Una búsqueda en mecanismo de etiquetado para filtrar e identificar sus recursos. Y por último, un sistema de gestión de cuentas y facturas que proporcione uso exacto para los planes de precios, protección
segura contra fraudes de tarjetas de crédito. Watson es un traje de IBM para servicios de IA listos para la empresa, aplicaciones y herramientas. Y la IA externa es una de las herramientas en el estudio Watson.
3. Introducción a la inteligencia artificial: La inteligencia artificial y el aprendizaje automático son dos temas muy candentes en la actualidad. Expertos afirman que estas tecnologías van a revolucionar el mundo. Inteligencia artificial, satélites, formas de construir programas inteligentes y máquinas
inteligentes capaces de realizar tareas que típicamente requieren inteligencia humana. La inteligencia artificial cuenta con una amplia gama de formas en las que se puede aplicar. De chatbots a analítica predictiva, de sistemas de reconocimiento. Vehículos autónomos. Ai generalmente se divide en dos categorías. Nosotros KI, que se centra en un problema en particular. Y una IA fuerte que se enfoca en construir inteligencia que pueda manejar cualquier tarea o problema en cualquier dominio. Fuertemente se enfoca en crear máquinas inteligentes que puedan realizar
con éxito cualquier tarea intelectual que un ser humano pueda. Y esto se reduce a tres aspectos. En primer lugar, la capacidad de generalizar el conocimiento de un dominio a otro y tomar conocimiento de un área y aplicarlo en otro lugar. En segundo lugar, la capacidad de hacer planes de futuro basados en el conocimiento y la experiencia. Y por último, la capacidad de adaptarse al medio ambiente a medida que se producen cambios. Por otro lado, nos preocupamos es bueno en realizar una tarea en particular, pero no pasará por ser humano en ningún otro campo fuera de sus capacidades definidas. Ejemplos de tecnologías más débiles como reconocimiento de imagen y voz o chatbots de IA. Uno de los ejemplos más famosos de IA débil es Deep Blue. Deep Blue fue una computadora de juego de ajedrez desarrollada por IBM. En 1997. Deep Blue hizo historia como la primera computadora en vencer al campeón del mundo Garry Kasparov en un partido de seis partidos bajo controles de tiempo estándar. Garry Kasparov es un gran maestro de ajedrez ruso que muchos consideran como el mayor jugador de ajedrez de todos los tiempos. Cuando Deep Blue se llevó el tanto al ganar el juego final, Kasparov se negó a creerlo. El azul utilizó una fuerza bruta o un enfoque de búsqueda exhaustivo. El azul es capaz de examinar 200 millones de movimientos por segundo, o 50 mil millones de posiciones en los tres minutos asignados para un solo movimiento en una partida de ajedrez. Otro ejemplo famoso de wiki es AlpHago. Se me olvidó, es un programa informático que juega el juego de mesa Go. Fue desarrollado por DeepMind Technologies, que posteriormente fue adquirido por Google. Go es conocido como el juego clásico más desafiante, PA, inteligencia artificial. Por su complejidad. Es prácticamente imposible calcular todos los movimientos posibles en este juego. Alphago es el primer programa informático en derrotar a un jugador profesional de Go humano. Ifa va algoritmo utilizado una combinación de aprendizaje automático y técnicas de investigación. Combinado con un entrenamiento extenso, tanto desde el juego humano como por computadora. La inteligencia artificial se ha convertido en una parte crucial de la vida humana cotidiana de hoy. Cada vez que realizas una búsqueda en Google, book_id trip online, recibes una recomendación de producto de Amazon o abres tu feed de noticias de Facebook. Ai está acechando de fondo. Aaa está en el núcleo de la Primera Revolución Industrial, que alterará fundamentalmente la forma en que vivimos y trabajamos. Nos afectará a todos. TODOS influyen profundamente en el futuro del trabajo y en tu carrera. En consecuencia, no importa la industria en la que te encuentres.
4. Introducción al aprendizaje automático: El aprendizaje automático es un subconjunto de IA. En otras palabras, todo machine learning es AI, pero no todo ai es machine learning. El aprendizaje automático proporciona a los sistemas la capacidad de
aprender y mejorar automáticamente a partir de la experiencia sin ser programado explícitamente. El aprendizaje profundo es un subconjunto de aprendizaje automático en el que las Redes Neurales
Artificiales se adaptan y aprenden de vastas cantidades de datos. El aprendizaje profundo también se discutirá más adelante en este video. aprendizaje automático utiliza una variedad de algoritmos que aprenden iterativamente de los datos para mejorar los datos de escriba y predecir los resultados. Un modelo de aprendizaje automático es la salida generada cuando entrenas
tu algoritmo de aprendizaje automático con datos de entrada. Después del entrenamiento, se te dará una predicción. El aprendizaje automático es ahora esencial para crear modelos analíticos. Muchos de los
algoritmos de aprendizaje automático ampliamente utilizados están arraigados en el análisis estadístico clásico. Los científicos de datos combinan el Manoj con la experiencia en matemáticas, estadísticas y ciencias de la computación para utilizar todas las disciplinas en colaboración, independientemente de la combinación de capacidades y tecnología utilizada para predecir los resultados. Tener una comprensión del problema de negocios y el frijol va es esencial. No se puede esperar obtener buenos resultados centrándose solo en las estadísticas sin considerar el lado empresarial. Básicamente, puedes considerar el aprendizaje automático como una herramienta para resolver tu problema de negocio. Dependiendo de la naturaleza del problema empresarial que se esté abordando. Existen diferentes categorías de aprendizaje automático, como aprendizaje supervisado, aprendizaje no supervisado, aprendizaje refuerzo, y redes neuronales, y aprendizaje profundo. La mayor parte del aprendizaje automático práctico utiliza el aprendizaje supervisado. Se llama aprendizaje supervisado porque el proceso de un algoritmo aprendido
del conjunto de datos de capacitación puede ser pensado como un maestro que supervisa el proceso de aprendizaje. Conocemos las respuestas correctas mientras que el algoritmo hace iterativamente predicciones sobre los datos de entrenamiento. Y esto corregido por el maestro. proceso de aprendizaje se detiene cuando el algoritmo logra un nivel aceptable de rendimiento. En general, el aprendizaje supervisado ocurre cuando a un sistema se le da un conjunto de datos etiquetado con variables de entrada y salida. Y el modelo necesita aprender cómo se relacionan. El objetivo es producir un modelo preciso que pueda predecir la salida cuando se dé la nueva entrada. En este curso, nos centraremos principalmente en el aprendizaje supervisado porque es el más utilizado en forma
práctica de aprendizaje automático y ha demostrado ser una excelente herramienta en muchos campos. problemas de aprendizaje supervisados se pueden agrupar en problemas de regresión y clasificación. Cuando la etiqueta es continua, es regresión. Cuando los datos provienen de un conjunto finito de valores, es la clasificación. El aprendizaje no supervisado es el más adecuado cuando el problema requiere una cantidad masiva de datos que no están etiquetados. Entender el significado detrás de estos datos requiere algoritmos que puedan clasificar los datos en función de los patrones o clústeres que encuentre. Por lo tanto, el aprendizaje supervisado realiza un proceso iterativo de análisis de datos sin intervención humana. aprendizaje de refuerzo es el modelo de aprendizaje conductual. El agente aprende a lograr una meta en un potencial incierto, un entorno complejo. En el aprendizaje de refuerzo. Y la inteligencia artificial enfrenta una situación similar a un juego. El equipo impone prueba y error para llegar a una solución al problema. Aa obtiene ya sea recompensas o penalizaciones por las acciones que realiza, y su objetivo es maximizar la recompensa total. Las aplicaciones más comunes del aprendizaje de refuerzo, nuestros robots y barcos AI en videojuegos. El aprendizaje profundo es un subcampo del aprendizaje automático preocupado
por sus algoritmos inspirados en la estructura y función del cerebro humano llamado redes neuronales artificiales. El aprendizaje profundo es especialmente útil cuando estás tratando de aprender patrones a partir de datos no estructurados. Las redes neuronales complejas están diseñadas para emular cómo funciona el cerebro humano. Por lo que las computadoras pueden ser capacitadas para hacer frente a abstracciones y problemas que están mal definidos. Una red neuronal consta de tres o más capas. Una capa de entrada, una o varias capas ocultas, y la capa de salida, los datos se ingieren a través de la capa de entrada. Después se modifican los datos en la capa oculta y las capas de salida en función de los pesos aplicados a estos nodos. El término deep learning se utiliza cuando hay múltiples capas ocultas dentro de una red neuronal. Utilizando un enfoque iterativo, una red neuronal se ajusta continuamente y hace interferencias hasta alcanzar un punto de parada específico. Las redes neuronales y el aprendizaje profundo a menudo se utilizan en el reconocimiento de imágenes, reconocimiento de
voz y las aplicaciones de visión por computadora.
5. ¿Qué es AutoAI/AutoML?: Hay toneladas de cursos y libros de texto bien escritos disponibles en línea que dan una buena introducción a la inteligencia artificial y el aprendizaje automático. Y una fracción del costo. Existen innumerables marcos que facilitan la construcción e implementación de modelos. Ahora es posible utilizar un modelo existente con una comprensión básica del algoritmo y las pocas líneas de código. No obstante, la inteligencia artificial y el aprendizaje automático siguen siendo difíciles la
hora de implementar modelos existentes para que funcionen bien para su nueva aplicación. La buena noticia es que inteligencia
artificial y el aprendizaje automático se han convertido en una aún más accesible. Además, la IA y el ML tienen como objetivo eliminar la necesidad de científicos de datos calificados para construir modelos. buenos científicos de datos combinan el Manoj, cuya pericia en masa, estadística e informática. En cuanto a ahora, es prácticamente imposible
sustituir los principales conocimientos por sistemas automatizados. Pero ahora es posible automatizar muchas de las tareas complicadas y que consumen mucho tiempo. Aprendizaje automático, como optimización de hiperparámetros, selección de
modelos, selección de características, etcétera. Básicamente, todo excepto el conocimiento principal puede ser automatizado. Auto AI y ML son nuevas herramientas que permiten
proporcionar los datos de capacitación como entrada y recibir un modelo optimizado como salida. Existencia en la IA automática y las soluciones atérmicas como IBM Watson, IA
automática permite a todos construir e implementar modelos
optimizados sin la necesidad de ser un profesional en la ciencia de datos.
6. IBM AutoAI: Si bien EIA es una herramienta gráfica en IBM Watson studio que analiza
automáticamente tus datos y genera modelos de aprendizaje automático para tu problema. Actualmente, el auto AAA atiende problemas relacionados con la clasificación y regresión. Este tipo de problemas, tengo el núcleo de muchas iniciativas de ciencia de datos. Usando auto yea, puedes construir e implementar un modelo de aprendizaje automático sin codificación. En primer lugar, es necesario proporcionar datos de fila en un archivo CSV. Entonces el autor AI te ayuda a preparar nuestros datos para el aprendizaje automático. Selecciona automáticamente los mejores algoritmos, realiza la optimización de hiperparámetros y la ingeniería de características. Como salida, obtienes un modelo optimizado que puedes guardar e implementar. Repasemos los pasos con más detalle. La mayoría de los conjuntos de datos contienen diferentes formatos de datos y valores faltantes, pero los algoritmos de aprendizaje automático estándar funcionan con números y no faltan valores. Alto AAA te ayuda a analizar, limpiar y preparar tus datos de fila. Detecta y categoriza automáticamente las características en función del tipo de datos, como categóricos o numéricos. Dependiendo de la categorización, IA
automática lleva a cabo la imputación de valor faltante, con codificación y escalado de características para sus datos. Entonces la IA automática selecciona automáticamente los mejores algoritmos para tu problema. Aquí puedes ver la lista de algoritmos predeterminados utilizados para la selección automática de modelos, para problemas de clasificación y regresión. ingeniería de características intenta transformar los datos de entrada en la combinación de características que mejor representa un problema para lograr la predicción más precisa. Un rasgo es una propiedad individual medible o característica de un fenómeno que se está observando. Parte del arte de elegir características es escoger un conjunto mínimo de variables independientes que expliquen el problema. Si bien EIA hace ingeniería automática de características
mediante el uso del aprendizaje de refuerzo para maximizar la precisión del modelo. Todos los modelos de aprendizaje automático tienen parámetros,
es decir, los pesos para cada variable en el modelo. paso de optimización de hiperparámetros afina las tuberías del modelo de mejor rendimiento. Este modelo de ductos se muestran en una tabla de clasificación clasificada de acuerdo a su objetivo de optimización de problemas. Puedes comenzar a usar auto yay de forma gratuita con el plan de vida de la nube IBM Watson Studio, que incluye 50 horas unitarias de capacidad al mes. Puede consultar todos los planes de precios para IBM Watson studio siguiendo este enlace.
7. Crea una cuenta de IBM Cloud: En este video, te voy a mostrar cómo crear una cuenta de IBM Cloud y activar los servicios de Watson. En primer lugar, es necesario seguir este enlace, www.ibm.com slash cloud. Después presionamos registro o inicio de sesión. Aquí tecleamos nuestra dirección de correo electrónico y luego elegimos una contraseña. Después de la verificación por correo electrónico y proporcionar información personal. Podrás iniciar sesión. que ya tengo una cuenta, me limitaré a iniciar sesión usando mi dirección de correo electrónico. Continuar inicio de sesión. Después de iniciar sesión, verás tu IBM Cloud. Ahí está el libro. Para activar el estudio Watson acudirá
al catálogo y buscará estudio Watson. Lote algún estudio. Aquí está. Ahora podemos seleccionar una región y el plan de precios. Escojamos Londres. Y la bombilla, que se ofrece de forma gratuita. O puede cambiar el nombre del servicio. Pero lo dejaré como se crea. Y eso es todo.
8. Problemas de clasificación: La clasificación y la regresión son dos tipos de aprendizaje automático supervisado. Básicamente, la clasificación se trata de predecir la clase. A veces las clases se denominan objetivos, etiquetas o categorías. Y la regresión se trata de predecir una cantidad. En machine learning y estadística. clasificación es el problema de identificar a qué categoría o clase pertenece una nueva observación. Existen dos tipos de clasificación basados en el número de clases pronosticadas. La clasificación binaria se refiere a aquellas tareas de clasificación que tienen dos etiquetas de clase. Y la clasificación multiclase se refiere a aquellas que tienen más de dos etiquetas de clase. Normalmente, la clasificación binaria sí implica una clase que es el estado normal, y otro costo que es un estado anormal. la clase se le asignó un estado normal, se le asigna la etiqueta de clase 0. Y la clase fue el estado anormal se le asigna la etiqueta de clase. Uno. Ejemplos de problemas de clasificación
binaria incluyen el filtrado de spam. ¿ Este correo es spam o no? Para la detección? ¿ Es legítima o no esta transacción? Y pruebas médicas para determinar si un paciente tiene cierta enfermedad o no. A diferencia de la clasificación binaria, clasificación
multiclase no tiene la noción de estados normales y anormales. En cambio, los ejemplos se clasifican como pertenecientes a una de las clases múltiples. En esta sección del curso, te
mostraré cómo construir un modelo de clasificación binaria usando auto AAA. Pero antes de construir uno, necesitamos entender cómo evaluar el desempeño del modelo.
9. Métricas de clasificación: Evaluar en modelos de aprendizaje automático es esencial para cualquier proyecto. Las métricas de evaluación se utilizan para medir. Supongamos que hubiera un modelo de aprendizaje automático. uso de métricas de evaluación es fundamental para garantizar que su modelo funcione correctamente y de manera óptima. Existen muchos tipos diferentes de métricas disponibles para probar el modelo de clasificación. Es muy importante utilizar múltiples métricas para evaluar tu modelo. Debido a que un modelo puede funcionar bien utilizando una medición de una métrica de evaluación, pero puede funcionar mal utilizando otra medición de otra métrica de evaluación. En auto AAA, cada canalización modal se anota para una variedad de métricas. La métrica de clasificación predeterminada para los modelos de clasificación
binaria es el área bajo la curva ROC. Y para los modelos de clasificación multiclase es la precisión. Echemos un vistazo a las métricas populares utilizadas en los problemas de clasificación. The Confusión Matrix es una de las herramientas más intuitivas y fáciles para encontrar la corrección y la precisión del modelo. La matriz de confusión en sí no es una métrica de rendimiento como tal. Pero casi todas las métricas de rendimiento se basan en métricas de
confusión y los números dentro de ellas. Se puede ver que en caso de la clasificación binaria, las métricas de
confusión son una tabla con
dos filas y dos columnas que informa el número de
falsos positivos, falsos negativos, verdaderos positivos, y dos negativos. Verdaderos positivos son los casos en que la clase real
del punto de datos era uno y lo predicho también es uno. Los falsos positivos son los casos en que la clase real
del punto de datos fue 0 y Z pronosticado fue uno. Falsos negativos ya que los casos en que la clase real era un punto de datos era uno y lo pronosticado es 02 negativos son los
casos en que la clase real del punto de datos era 0 y lo pronosticado también es 0. Precisión en los problemas de clasificación es el número de predicciones
correctas hechas por el modelo sobre todas las predicciones realizadas. La precisión parece que podría ser el mejor método. No obstante, la precisión sólo funciona para la promesa de clasificación, que están bien equilibradas. Otras métricas comúnmente utilizadas son la precisión y el recuerdo. Estas dos métricas de rendimiento se utilizan a menudo en conjunto. Precisión es el número de ítems correctamente identificados como positivos. Fuera del total de artículos, identifíquelo como positivo. Y recordar es el número de ítems correctamente identificados como positivos fuera del total verdaderos positivos. Entonces, básicamente, si queremos enfocarnos más en minimizar los falsos negativos, quisiéramos que nuestro recuerdo sea cercano a un 100%. Y si queremos enfocarnos en minimizar los falsos positivos, entonces quisiéramos que nuestra precisión estuviera cerca de un 100%. La puntuación F1 es un promedio ponderado de precisión. Y recordar. Por lo tanto, esta puntuación toma en cuenta tanto los falsos positivos como los falsos negativos. Sencillamente dicho, el marcador F1 mantiene un equilibrio entre la precisión y el recuerdo. área bajo la curva ROC indica qué tan bien se separan las probabilidades de las clases positivas de las clases negativas. Auc es el área bajo la curva ROC. Y la curva ROC es una gráfica que muestra el rendimiento de
un modelo de clasificación en todos los umbrales de clasificación. Debes entender que nuestro pronóstico nunca es exactamente uno o 0. En cambio, predecimos una probabilidad. Típicamente, el umbral de clasificación es de 0.5 es las probabilidades pronosticadas contrata y 0.5. no es nuestro pronóstico es uno. Entidad es 0, es la probabilidad es menor 0.05. pero podríamos tener un umbral de clasificación de mejor desempeño. área bajo la curva ROC proporciona una medida agregada del
rendimiento a través de todos los umbrales de clasificación posibles. Mide la calidad de la predicción de los modelos independientemente del umbral de clasificación que se elija. A diferencia de la puntuación o precisión F1, que dependen de la elección del umbral.
10. Problema de clasificación y el conjunto de datos: En el siguiente video, usaremos un conjunto de datos
del Instituto Nacional de Diabetes y las enfermedades renales JSON. Contiene información de 768 hembras de las cuales 268 fueron diagnosticadas con diabetes. Ah, los pacientes eran mujeres de al menos 21 años de edad de herencia india Pima. El objetivo es predecir diagnósticamente si un paciente tiene diabetes o no. En base a ciertas mediciones diagnósticas incluidas en el conjunto de datos. Nuestro modelo debe ser capaz de predecir si un paciente tiene diabetes o no. De ahí que nuestra variable dependiente sea la diabetes. Uno representa la presencia de diabetes y 0 representa la ausencia. información disponible incluye ocho variables como número de embarazos, glucosa, insulina, h, etcétera. la tabla se enumera una descripción más detallada de las variables.
11. Clasificación con AutoAI [Handel [Hands-on]: En este tutorial, vamos a construir e implementar un modelo de clasificación binaria usando Watson studio. Por lo que la última vez creamos una cuenta IBM Cloud Light y activamos el estudio Watson. Ahora empecemos. Crear un proyecto. Crear un proyecto vacío. Antes de crear un proyecto, necesitamos agregar una instancia de almacenamiento de objetos y luego volver a esta página. Haga clic en Agregar, encender, planificar, crear, confirmar. Ahora necesitamos refrescar esta página. Aquí escribimos el nombre de nuestro proyecto. Auto, binario, clasificación. Y haga clic en Crear. Ahora para empezar a construir ahora modal, haz clic en Agregar a Proyecto desde la parte superior. Y selecciona Auto AAA experimento. Dale un nombre. Clasificación binaria. Además, necesitamos asociar una instancia de servicio de aprendizaje automático. Vamos a dar click aquí. Nuevamente la lámpara de luz. Para confirmar. Haga clic en recargar. Y ahora podemos crearlo. Ahora necesitas subir el archivo CSV desde tu computadora, haz clic en navegar y elige el archivo. ¿ Qué queremos predecir? Tenemos que predecir esta columna. A pesar de que un automático identificó la clasificación binaria del tipo de predicción, clase
positiva uno, y ofrece utilizar una precisión métrica. Podemos ir a ajustes de experimentos. Aquí podemos elegir la relación de división. Escojamos el 90%. Seleccione las columnas que desee incluir. Seleccionamos todas las columnas. A continuación, haga clic en Predicción, clasificación binaria, Clases
positivas, uno, y optimice la métrica. Escojamos. Área bajo la curva ROC. Además, podemos elegir cuántos algoritmos incluir. Seleccionamos todos los algoritmos y algoritmos a utilizar. Podemos elegir tres, Guardar configuración y ejecutar experimento. El experimento comienza mientras está generando los modelos. Existen dos vistas diferentes a través de las cuales se puede visualizar el progreso de los ductos que se están creando. El mapa de progreso y el mapa de relaciones. Entonces este es el mapa de progreso y ese es un mapa de relaciones. Por lo que finalmente, se completa la autoejecución. Y en el mapa de progreso se puede ver todo el proceso. Leer conjunto de datos, Dividir datos de almacenamiento, reentrenamiento, datos, preprocesamiento y selección de modelos. Aquí podemos ver que auto EIA ha elegido gradiente de
regresión logística potenciando clasificador y clasificador SGB S, algoritmos de
alto rendimiento para este caso de uso. También puedes ver todos los ductos 12 generados. Y puedes compararlos aquí en base a diferentes métricas. Aquí se puede ver la tabla de clasificación del ducto. El oleoducto número tres es nuestro ducto de alto rendimiento. Aquí puedes ver la evaluación del modelo. Esta es nuestra curva. Curva de Roc mide precisión, área bajo la curva ROC, recuerdo de
precisión F1 mide pérdida analógica de precisión promedio. También podemos ver la matriz de confusión. Por lo que ahora vamos a salvar este modelo de tubería. Guardar modelo S, modelo seguro, seguro con éxito. Ahora volvamos atrás y desplegemos nuestro modelo. Aquí podemos ver nuestro modelo. Ahora vamos a desplegarlo. Despliegues. En el despliegue. El nombre del despliegue es seguro. Nuestro despliegue está listo. Abrámoslo y probemos el modelo. Ahora podemos probar nuestro modelo desde esta interfaz. Podemos o bien proporcionar entrada en formato
JSON o ingresar detalles de entrada a los campos que aquí se dan. Por ejemplo, digamos número de embarazos a nivel de glucosa A presión, 60 tríceps, 30, insulina 20, IMC, 25, pedigrí es 0.2. Y h, digamos 30, predecir. Y obtenemos una predicción que es 0. Entonces nuestro modelo sugiere que esta persona no tiene diabetes. También se pueden ver las probabilidades.
12. Análisis de regresión: El análisis de regresión es una forma de técnica de modelado predictivo que investiga la relación entre una variable dependiente y variables independientes. Esta técnica se utiliza para pronosticar el modelado de series temporales y encontrar la relación de efecto causal entre las variables. Los modelos de aprendizaje automático para problemas de regresión predicen un valor numérico. Por ejemplo, ¿cuál será la temperatura mañana Londres? ¿ O para qué precio venderá esta casa? Una de las técnicas de regresión más fáciles y comúnmente utilizadas. Se trata de una regresión lineal simple, donde predecimos el resultado de una variable dependiente basada en una variable independiente. Y suponemos que la relación entre las variables es lineal. El objetivo es encontrar la línea que más se ajuste a los datos. Esta tarea se puede lograr mediante el uso del método menos cuadrado. Es el método más común utilizado para ajustar una línea de regresión. Calcula los flujos de línea de mejor ajuste los datos observados minimizando la suma de los cuadrados de las desviaciones verticales de cada punto de datos a la línea. Capacitar un modelo de regresión es el proceso de mejorar iterativamente su ecuación de predicción haciendo un recorrido por el conjunto de datos varias veces. El entrenamiento está completo cuando llegamos a un umbral de error aceptable o cuando las iteraciones de entrenamiento
posteriores no lograron aumentar la precisión. Por lo general, los profesionales conocen solo varios tipos de regresión, que se usan comúnmente en el mundo real. No obstante, existen numerosos tipos de modelos de regresión que puedes utilizar, cada uno con sus propias ventajas y desventajas. Por lo tanto, elegir el modelo de regresión óptimo puede ser difícil. Aaa selecciona automáticamente los mejores modelos para tu problema de acuerdo a las diversas métricas para evaluar los resultados. En el siguiente video, discutiremos es las métricas de regresión más utilizadas.
13. Métricas de regresión: Por lo tanto, veamos las métricas utilizadas en los problemas de regresión, como el error root-mean-cuadrado o RMSE y el coeficiente de determinación o r cuadrado. error cuadrado medio de raíz es la métrica más utilizada para tareas de regresión. Y esta es la raíz cuadrada de la diferencia media cuadrada entre el valor objetivo y el valor predicho por el modelo. Cuanto más pequeño sea, mejor se está desempeñando tu modelo. Se prefiere más en algunos casos porque los errores son primero al cuadrado antes de promediar, lo que plantea una penalización alta en los errores grandes. Esto implica que RMSE es útil cuando es más grande, no deseado. Coeficiente de determinación o r cuadrado, es otra métrica utilizada para evaluar el desempeño de un modelo de regresión. El r-cuadrado te dice lo bien que tu modelo se ajusta a tus datos. La ecuación para r-cuadrado podría describirse como varianza
explicada dividida por varianza total. Varianza explicada, explicada por el modelo. Los valores R al cuadrado pueden variar de 0 a uno. Y el valor r-cuadrado de 0 significa que el modelo no está explicando ninguna de la varianza en y. y el valor r-cuadrado de uno significa que el modelo está explicando perfectamente toda la varianza en Y. Entonces, en general, cuanto más cerca R-cuadrado es a uno, mejor está describiendo el modelo los datos inputados.
14. Problema de la regresión y el conjunto de datos: En la siguiente conferencia, vamos a construir un modelo de regresión usando el autor EIA que predice la puntuación del SAT con base en el GPA promedio de bachillerato. El SAT es un Test ampliamente utilizado para el ingreso a la universidad en Estados Unidos. El conjunto de datos incluye 100 observaciones. Nuestra variable dependiente es la puntuación del SAT, y la única variable independiente es el GPA de secundaria.
15. Regresión con AutoAI [Handel ondo]: En este tutorial, vamos a construir e implementar un modelo de regresión usando auto yay. La última vez creamos un proyecto para la clasificación binaria. Y hoy crearemos nuevos proyectos para la regresión. Todos los pasos son básicamente los mismos. Vayamos a mis proyectos. Y crearemos un nuevo proyecto. Crear un proyecto vacío. Vamos a darle un nombre. Regresión automática. Ahora, en el proyecto auto experimento, nombre y agresión. Además, necesitamos asociar la instancia del servicio de aprendizaje automático. Haciendo click aquí. Elegimos una instancia de servicio existente. Seleccionar recarga. Y ahora necesitamos subir el archivo CSV archivo GPA dataset. ¿ Qué queremos predecir? Tenemos que predecir puntuación del SAT. Esta vez usaremos la configuración predeterminada. El tipo de predicción es métrica optimizada de regresión, experimento de ejecución RMSE. Por lo que se completa el experimento. Tenemos ocho ductos generados. Y podemos ver el mapa de relaciones y el mapa de progreso. Esta vez auto, sí, elegido para algoritmos de alto rendimiento, regresión
lineal y gradiente potenciando el retroceso. Y tenemos ocho ductos. Vamos a compararlos, quiénes son. Y veamos la tabla de posiciones. Podemos ver que el mejor ducto es el ducto número tres. Vamos a elegirlo. Y aquí tenemos medidas modelo de evaluación, RMSC, R-cuadrado, varianza explicada, etcétera. Guardemos este modelo. Guardar. Y ahora lo podemos desplegar. Regresión automática. Elegimos el modelo. Despliegues. En el despliegue. Nombre del despliegue. Guardar. El despliegue se está inicializando. Y ahora está listo. Prueba. Aquí podemos escribir en la secundaria GPA, por ejemplo, 3.5. y predecir. Y esa es nuestra predicción. Ahora probemos otro GPA. Por ejemplo, 3.7 predicen. Y esa es nuestra predicción. Si se incrementó la puntuación del SAT 4.0. Y podemos ver que más alto el GPA destacó el puntaje pronosticado del SAT.
Nigma Kuzenbayev, Consultant, Educator, Scientist
