Exploración del proceso de aprendizaje automático Ppt de capacitación

Diapositiva 1

Esta diapositiva enumera siete pasos clave que hacen que el objetivo de incorporar computadoras con inteligencia sea relativamente simple, desde la recopilación de datos hasta la realización de predicciones.

Diapositiva 2

Esta diapositiva describe el primer paso del aprendizaje automático: recopilación de datos. Las máquinas comienzan aprendiendo de los datos que les proporcionas. Es fundamental obtener datos confiables para identificar los patrones correctos para su modelo de Machine Learning. Asegúrese de usar datos de una fuente confiable, ya que esto afectará directamente la salida de su modelo. Los buenos datos son significativos, tienen pocos números faltantes o duplicados y representan con precisión las subcategorías/clases disponibles.

Diapositiva 3

Esta diapositiva enumera los puntos principales involucrados en la preparación de datos. Comenzando por juntar todos sus datos y aleatorizarlos, asegurándose de que los datos se dispersen de manera uniforme y que el orden no interfiera con el proceso de aprendizaje. Separar los datos limpios en dos conjuntos, uno para entrenamiento y otro para prueba. El conjunto de entrenamiento es el conjunto del que aprende su modelo, y un conjunto de prueba se usa para evaluar la corrección de su modelo después de haberlo entrenado.

Diapositiva 4

Esta diapositiva muestra que un modelo de aprendizaje automático resulta de la ejecución de un algoritmo de aprendizaje automático en los datos adquiridos. Es fundamental seleccionar un modelo que sea apropiado para el trabajo en cuestión. Los científicos e ingenieros han creado modelos que son adecuados para tareas como reconocimiento de voz, reconocimiento de imágenes, predicción, etc.

Diapositiva 5

Esta diapositiva enumera que la fase más crítica en Machine Learning es la capacitación. Durante el entrenamiento, alimenta los datos preparados a su modelo de Machine Learning, que busca patrones y hace predicciones.

Diapositiva 6

Esta diapositiva ofrece una descripción general de la evaluación del modelo. Una vez que haya entrenado su modelo, querrá ver cómo le va. Esto se logra evaluando el rendimiento del modelo con datos desconocidos. Si la prueba se realiza con los mismos datos utilizados para el entrenamiento, obtendrá un nivel de precisión desproporcionadamente alto. El programa, en este caso, ya está familiarizado con los datos y ve los mismos patrones que antes.

Diapositiva 7

Esta diapositiva enumera los pasos involucrados en el ajuste de parámetros. Una vez que haya construido y probado su modelo, compruebe si puede mejorar su precisión. Esto se logra ajustando los parámetros de su modelo. Los parámetros son las variables del modelo que normalmente determina el programador. La precisión será más alta en un valor de parámetro en particular, y encontrar estos ajustes se conoce como ajuste de parámetros.

Diapositiva 8

Esta diapositiva ofrece una descripción general de la predicción. Hacer una predicción se refiere al resultado de un algoritmo después de haber sido entrenado en un conjunto de datos anterior y aplicado a nuevos datos mientras se anticipa la probabilidad de un resultado particular, como si un cliente abandonará o no en 30 días.