Etapas en un proyecto de machine learning

Etapas en un proyecto de machine learning

Las etapas en un proyecto de machine learning según lo describen muchos autores se basan en 8 puntos importantes.

A continuación describimos las 8 Etapas en un proyecto de machine learning

8 Etapas en un proyecto de machine learning

1. Definir objetivo

La primera etapa consiste en entender el problema que queremos resolver, ya que gran parte de las decisiones tomadas a lo largo del proyecto serán dependientes de esta etapa.

Por lo tanto, es necesario definir unos objetivos claros, específicos, medibles y alcanzables en un periodo determinado de tiempo.

Esta es una etapa tediosa el cual requiere mucha información por parte de expertos en el sector sobre el cual se va a trabajar.

En este punto se clasifica si el problema es supervisado o no supervisado, incluso se elige el tipo de modelo que se va a entrenar (regresión, clasificación, agrupamiento).

2. Recolectar datos

En la segunda etapa se define la cantidad y el tipo de datos necesarios, así como el origen de dichos datos.

La calidad de los datos que alimentan la máquina tiene un impacto directo en el funcionamiento del modelo.

En algunos casos, no se dispone de todos los datos necesarios para resolver el problema, por lo que se compran a entidades externas.

3. Procesar datos

El tratamiento de los datos una vez recolectados corresponde a las etapas en un proyecto de machine learning que corresponde a la etapa número tres.

El objetivo principal de esta etapa es visualizar y analizar cuáles son las variables que representan mejor aquello que queremos.

Aquí se observan algunas de las correlaciones entre las variables independientes y las dependientes.

Los datos necesitan un formato determinado para poder ser procesados por la máquina de la manera más sencilla posible.

4. Crear modelo

En la etapa cuatro donde se define por completo el modelo que mejor se ajusta al problema: regresión lineal, árboles de decisión, red neuronal, k-vecinos más cercanos, etc.

Esta etapa es crucial pero no suele ser complicada dado que los algoritmos pueden encontrarse en bibliotecas predeterminadas.

5. Entrenar modelo

La quinta etapa está dedicada al entrenamiento del modelo a partir de los datos de entrenamiento.

Los parámetros se ajustan automáticamente por el algoritmo seleccionado a medida que se entrena el modelo.

En proyectos nuevos se busca entrenar modelos sencillos y en poco tiempo simplemente para validar que el problema puede ser solucionado con Machine Learning, ya que no siempre se puede.

Etapas en un proyecto de machine learning
Etapas en un proyecto de machine learning

6. Evaluar modelo

En la etapa número seis se verifica la precisión del modelo mediante la introducción de los datos de test, que son datos que la máquina aún no conoce.

Un 50% de precisión es insuficiente para validar un modelo, pues indica que la mitad de las veces fallará.

Esta etapa también se conoce como configuración de parámetros, pues consiste en ajustar los parámetros del modelo para mejorar los resultados obtenidos.

7. Realizar predicción

En esta etapa se ve la relación entre la simulación y el mundo real, por ende, se puede integrar el modelo en un sistema real con el que pueda comunicarse.

Más que un problema de ciencia de datos es un problema de desarrollo de software, ya que consiste en entender cómo cambian los procesos una vez se tenga la predicción

8. Controlar resultados

Con esta etapa se pone fin al proceso con la monitorización de los resultados.

Es necesario asegurar que el modelo aporte un alto valor predictivo, por lo tanto, lo más importante es que cumple con los objetivos marcados en la primera etapa.

Las Etapas en un proyecto de machine learning nos ayudan a entender los pasos a seguir durante un proyecto de aprendizaje automático.

Las Etapas en un proyecto de machine learning son una guía clara para entender machine learning

Deja un comentario