6 - Algoritmos, modelos, parámetros e hiperparámetros
Lección 6 del curso Introducción al Machine Learning.
Tabla de contenido
Introducción
En la lección anterior hablamos de las tareas y los diferentes tipos de tareas que existen en el Machine Learning.
En esta lección nos enfocaremos inicialmente en los algoritmos y los modelos y luego veremos en detalle los conceptos de parámetros e hiperparámetros.
Suscríbete para tener acceso al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Aprendizaje basado en instancias vs. basado en modelos
Antes de hablar de los algoritmos y los modelos es importante que introduzcamos el concepto de aprendizaje basado en instancias.
En una lección anterior mencionamos que en el Machine Learning la idea es construir un modelo que aprenda a detectar patrones en los datos para generar una predicción, y aunque la mayor parte de las aplicaciones del Machine Learning se basan en este enfoque, también existe otro enfoque que se conoce como el aprendizaje basado en instancias.
En el aprendizaje basado en instancias, en lugar de encontrar patrones, se usa un algoritmo que permite tomar el dato a procesar y compararlo con datos conocidos usando alguna métrica de similaridad para así generar la predicción.
Algoritmos y modelos
El concepto de algoritmo es ligeramente diferente dependiendo de si tenemos aprendizaje basado en instancias o en modelos.
En el aprendizaje basado en instancias el algoritmo es una serie de reglas que escribimos a través de código en un lenguaje de programación y que definen cómo serán procesados los datos para ejecutar la tarea. Así que en este tipo de aprendizaje el algoritmo es el que se encarga de procesar los datos para ejecutar la tarea
En el aprendizaje basado en modelos el algoritmo es también una serie de reglas, escritas a través de código en un lenguaje de programación, y que definen cómo serán procesados los datos pero para crear el modelo que se encargará de ejecutar posteriormente la tarea.
Así que en el aprendizaje basado en modelos el algoritmo permite procesar los datos para posteriormente crear el modelo.
Parámetros e hiperparámetros
Los parámetros son aquellas variables internas propias del algoritmo (en el caso del aprendizaje basado en instancias) o del algoritmo y del modelo (en el aprendizaje basado en modelos).
Por otra parte, los hiperparámetros son aquellas variables externas al algoritmo (en el aprendizaje basado en instancias) o del algoritmo y del modelo (en el aprendizaje basado en modelos) y son aquellas que podemos controlar como programadores del algoritmo.
Recuerda suscribirte para acceder al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Conclusión
Ya tenemos claros los conceptos de algoritmo y de modelo y su relación con los tipos de aprendizaje que tengamos (basado en instancias o basado en modelos), así como la idea de los parámetros (los cuales son controlados por el algoritmo) y los hiperparámetros (los cuales controlamos nosotros).
Cuando hablamos del aprendizaje basado en modelos vimos en el ejemplo que el algoritmo era un proceso que iterativamente operaba sobre los datos para progresivamente refinar el modelo. Esto es un concepto muy importante en el Machine Learning y se conoce como entrenamiento, del cual vamos a hablar en detalle en la próxima lección.