Machine Learning Tarragona

Hasta ahora lo has hecho genial. Has conseguido los datos, los has filtrado y limpiado, y tienes claro el problema a resolver. Te ha tomado un gran esfuerzo llegar hasta este punto.

Tu próximo paso es seleccionar el modelo a utilizar, lo que puede llegar a ser una tarea algo compleja si tienes en cuenta que existen decenas de modelos para elegir, cada uno con sus detalles y particularidades.

Este resumen de los 8 modelos más utilizados te será muy útil para tener una referencia y orientarte rápidamente. Encontrarás que son muy versátiles y pueden utilizarse de formas muy creativas con excelentes resultados, motivo por el cual se encuentran entre los preferidos de muchos científicos de datos y equipos de Inteligencia Artificial.

 

Regresión lineal (Linear Regression)

Este algoritmo de aprendizaje supervisado posee excelentes prestaciones por su velocidad de entrenamiento y facilidad de comprensión. Se utiliza cuando hay una relación o dependencia lineal entre las variables independientes y dependientes, obteniendo los coeficientes de una recta que explique el comportamiento de los datos.
 

Regresión logística (Logistic Regression)

En este caso, el modelo se utiliza con datos discretos y no continuos realizando una clasificación de los datos dependientes en función de las características independientes, obteniendo también una excelente velocidad de entrenamiento. Como resultado se obtiene una probabilidad que los nuevos datos cumplan con el criterio de entrenamiento.
 

K-medias (K Means Clustering)

Es excelente para trabajar con datos no etiquetados y por lo tanto dentro del conjunto de aprendizaje no supervisado, donde se realiza la agrupación de los mismos en un número K de grupos. Los elementos que conforman los grupos se determinan en base a la distancia entre ellos.
 

Máquinas de vector soporte (SVM - Support Vector Machine)

Este increíble algoritmo de aprendizaje supervisado se puede utilizar tanto para datos continuos como discretos y es adecuado tanto para regresión como para clasificación. Por medio de una optimización de descenso de gradiente se intenta encontrar una línea que separe las características con una gran distancia para que las suposiciones probabilísticas se puedan hacer con mayor precisión.
 

Clasificador bayesiano ingenuo (Naive Bayes)

Se puede entrenar de manera muy eficiente en un entorno de aprendizaje supervisado y funciona, en términos simples, asumiendo que la presencia o ausencia de una característica particular no está relacionada con la presencia o ausencia de cualquier otra característica, dada la variable dependiente. Otra ventaja es que solo se requiere una pequeña cantidad de datos de entrenamiento para estimar los parámetros necesarios para la clasificación.
 

K vecinos más cercanos (KNN - K Nearest Neighbors)

A diferencia de K-medias, este algoritmo es utilizado para realizar clasificación en un entorno de aprendizaje supervisado. Es algo similar a SVM en el sentido de que también intenta dibujar un límite de separación para identificar las entidades. La predicción para un nuevo punto de datos se realiza encontrando los puntos de datos vecinos más similares, y de allí su nombre.
 

Árbol de decisión (Decision Tree)

Este modelo agrupa las variables independientes agrupando desde las características más comunes hacia las más específicas, creando una serie de ramificaciones hasta las variables dependientes. Es un modelo muy gráfico y fácil de comprender pero hay un inconveniente ya que funciona bien con los datos de entrenamiento, pero cuando se incluyen nuevos datos de prueba, es posible que los resultados no sean tan buenos.
 

Bosque aleatorio (Random Forest)

Es una combinación de árboles de decisión tal que cada árbol depende de los valores de un vector aleatorio probado independientemente y con la misma distribución para cada uno de estos. De esta manera se resuelve el posible problema del primero respecto del sobreajuste (overfitting). Se utiliza ampliamente ya que es uno de los algoritmos de aprendizaje más certeros que hay disponible. Para un set de datos lo suficientemente grande produce un clasificador muy certero.


Estos algoritmos son ampliamente utilizados por empresas de todos los tamaños para resolver tareas de diferente complejidad. Cada uno de ellos posee sus propias particularidades por lo que es necesario que desarrolles una cierta experiencia con cada modelo, para conocer los métodos con los que lograr el ajuste de sus parámetros de forma más adecuada.

Si dominas estos 8 modelos de Machine Learning podrás resolver el 80% de los proyectos a los que te enfrentes, logrando resultados excelentes.
   

Si estás pensando en hacer una aplicación con objetos gráficos como fotografías o vídeo y necesitas construir tu conjunto de datos, esto es lo que necesitas: Anotación de Datos.

Quizás uno de los campos en los que más se nota el uso de Machine Learning es en aplicaciones gráficas, desde la mejora automática de fotografías, el filtro de "belleza", hasta la transformación de vídeos del siglo XIX a formato Full HD.

Si te encuentras en el desarrollo de una aplicación de este tipo necesitarás contar con datos etiquetados o categorizados, esto es que los datos posean una descripción relacionada con los mismos.

Por ejemplo, si deseas realizar un sistema que identifique si una foto corresponde a un perro o a un gato, necesitas entrenar al sistema con los datos adecuados. Esto lo puedes lograr poniendo, por ejemplo, el tipo de animal en el nombre del archivo. Así "perro-123.png" y "gato-124.png" corresponden a la foto de un perro y de un gato respectivamente, para que el sistema luego lo extraiga y lo utilice como etiqueta de entrenamiento.

Para ello deberás modificar el nombre de cada archivo para reflejar su contenido. De cada archivo. De cientos de archivos. Y no cometer ningún error en el proceso.
 

Anotación de Datos: Definición

La anotación de datos es la técnica de etiquetar los datos. Esta técnica se utiliza en diferentes formatos como imágenes y vídeos, y también en textos, utilizando otras herramientas y técnicas.

Etiquetar los datos no sólo hace que los datos tengan una categoría de referencia sino también que los objetos sean reconocibles por las librerías de visión por ordenador (Computer Vision), como por ejemplo OpenCV.

El tipo a utilizar dependerá del objeto y del tipo de modelo a utilizar. Por ejemplo, en el caso anterior se ha definido la categoría en el nombre del archivo, suponiendo que en cada uno hay un sólo objeto (perro o gato). Pero este método es poco válido cuando en el archivo hay más de un objeto, como por ejemplo un perro y una pelota. Es decir que necesitarás otro tipo de anotación de datos.
 

Tipos de Anotaciones de Datos

Cuadros delimitadores (Bounding boxes)

Uno de los tipos más comunes de anotación de datos son los cuadros delimitadores. Esto es representado por un rectángulo que se utiliza para identificar la ubicación del objeto. Se utilizan las coordenadas de los ejes X e Y en las esquinas superior izquierda e inferior derecha del rectángulo. El propósito principal de este tipo de anotación de datos es detectar los objetos y sus ubicaciones.
 

Líneas y splines

Las splines son líneas curvas con unos controles simples que permiten definir su geometría, mientras que las líneas son simples líneas rectas. Es muy utilizado para definir zonas y detectar carriles de calles y carreteras, por lo que es muy utilizado en algoritmos de aprendizaje para vehículos autónomos.
 

Segmentación semántica

Este tipo de anotación juega un rol muy importante en imágenes donde el contexto de la misma y la relación de los objetos entre ellos es un factor crucial. Es una forma de anotación que asigna cada píxel de la imagen a una clase (automóvil, camión, carretera, parque, peatón, etc.), y así cada píxel tiene un sentido semántico.
 

Cuboides 3D

Los cuboides 3D tienen una gran semejanza con los cuadros delimitadores, pero proporciona información adicional sobre la profundidad del objeto. Usando cuboides 3D, se puede entrenar un algoritmo de Machine Learning para proporcionar una representación 3D de la imagen. La imagen puede ayudar aún más a distinguir las características vitales, como el volumen y la posición, de un objeto en un entorno 3D.
 

Segmentación poligonal

La segmentación poligonal se utiliza para identificar polígonos complejos para determinar la forma y ubicación del objeto con la máxima precisión. Es una evolución de los cuadros delimitadores, donde se ajusta la identificación de forma muy precisa al objeto.
 

Puntos de referencia (Landmark)

Esta técnica se basa en crear puntos en la imagen para identificar el objeto y su forma. Se pueden emplear desde algunos puntos para identificar un objeto pequeño hasta múltiples puntos para marcar el contorno de algunos detalles. Es común su uso en mapas y objetos, pero juega un papel clave en el reconocimiento facial, identificando partes del cuerpo, posturas y expresiones faciales.


Este es un campo muy importante para la preparación de los datos, ya que del tipo de técnica que elijas y de la calidad de los datos procesados, dependerá en gran medida el funcionamiento de tu modelo.

   

Vídeo Tutorial: "Descargas los datos de aquí, creas un modelo con estas líneas de código y ya tienes un proyecto de Machine Learning."

Data Scientist: "Esteee... Quizás no es tan fácil..."


Si te parece una escena de una película de ciencia ficción, me temo que no. Esto sucede más veces de lo que te imaginas.

Crear un proyecto de Machine Learning no es tan fácil, aunque tampoco es tan complejo. Bueno, en realidad depende de la complejidad del problema a resolver, pero vamos a centrarnos en la mayoría de los proyectos, que seguramente no tienen ese nivel tan alto de complejidad.

Crear un proyecto de Machine Learning te puede parecer un tanto caótico, especialmente si intentas responder a algunas preguntas, entre otras, como por ejemplo: ¿Cómo empiezo? ¿Cuándo termina?

Da igual qué conjunto de herramientas uses, si eres más de Python o de R, si tu perfil está basado en programación o en estadística. Todo el proceso te resultará más fácil si cuentas con una metodología que te permita tener la seguridad que vas por el buen camino.
 

Estos son los 8 pasos para crear un proyecto de Machine Learning

1. Recolección de datos

Es importante que tengas presente que los datos del mundo real son imperfectos, por lo que requieren diferentes enfoques y herramientas. Este proceso implica la recopilación de datos que se origina en diferentes fuentes, tanto estructuradas como no estructuradas, que pueden ser desde ficheros csv, recoger datos de páginas web (scraping) o conectarse a bases de datos, entre otros.  El término Big Data también describe la velocidad a la que se originan los datos en la actualidad.

2. Almacenamiento de datos

Una vez que has recogido los datos es importante que estandarices la forma de almacenarlos, tanto en un formato único como también de forma segura, teniendo en cuenta que sea fácil y rápido el acceso para trabajar con flujos de trabajo de Machine Learning e Inteligencia Artificial. Puedes elegir diferentes soluciones, desde almacenamiento local hasta almacenamiento en la nube.
 

3. Transformación de datos

Este paso es, quizás, uno de los que más te demandará a nivel de tiempo y esfuerzo, ya que implica transformar los datos de un formato o estructura a otro formato o estructura. Las tareas de transformación de datos incluyen la gestión de datos, la integración de datos, y la integración de aplicaciones, teniendo en cuenta el paradigma ETL/ELT.
 

4. Etiquetado de datos

El etiquetado de datos es una etapa indispensable del preprocesamiento de datos  e incluye la clasificación de datos, moderación, transcripción, procesamiento, anotación y etiquetado de los mismos datos.
 

5. Implementación del modelo

En este punto ya deberías tener una idea de la naturaleza de los datos y su relación con el problema a resolver. Esto determinará, en gran medida, qué tipo de modelo utilizarás para la implementación. A grandes rasgos, los modelos pueden pertenecer a algunas de las siguientes categorías: clasificación, agrupamiento, o regresión. Algunos de los modelos más utilizados incluyen Linear Regression, Decision Tree, K Nearest Neighbor, Support Vector Machines y Artificial Neural Networks (Deep Learning). En muchas ocasiones deberás cambiar de modelo para encontrar el que mejor resuelve el problema.
 

6. Entrenamiento del modelo

Este proceso implica entrenar el modelo pasándolo a través de diferentes entradas de datos. Tu objetivo clave aquí es maximizar el rendimiento del modelo mientras se lo protege contra el sobreajuste. Para lograr esto lo habitual es separar los datos en subconjuntos de entrenamiento y prueba, generalmente divididos en una proporción de 80:20 o 70:30. Debes evaluar si el modelo funciona bien con los datos de entrenamiento pero mal con los datos de prueba, entonces es hay sobreajuste, es decir que el modelo es muy bueno para predecir los datos que ya sabes pero muy malo para trabajar con datos nuevos, que es justamente lo que buscas.
 

7. Evaluación del modelo

La validación y evaluación del modelo durante el entrenamiento es un paso muy importante para revisar diferentes métricas con el objetivo que puedas determinar si tienes un modelo de Machine Learning ganador. La evaluación del modelo es un paso crítico en la práctica, ya que guía la elección del método o modelo de aprendizaje y proporciona una medida del rendimiento de la calidad del modelo elegido. Tanto si en este punto o en el anterior los resultados no son los que esperas, quizás es el momento de regresar al punto 5 y elegir un nuevo modelo.
 

8. Mejora de la precisión del modelo

La precisión de un modelo de Machine Learning depende de los datos elegidos, la selección de características de estos datos y la elección tomada al decidir sobre los algoritmos de Machine Learning mientras se crea el modelo. Pero aún así puedes mejorar la precisión del modelo mediante la ingeniería de características, la selección de otras características, y el ajuste de los parámetros propios del modelo.



Si aplicas estos 8 pasos para crear un proyecto de Machine Learning podrás conseguir un resultado adecuado a tus expectativas que, seguramente, resuelvan el problema en el cual has estado trabajando.