Kdnuggets

Si después de las vueltas que le dimos al tema aún te quedan ganas de aprender y convertirte en un experto en Machine Learning (deberías!), ahí van unos cuantos consejos. Estos puntos han sido extraídos de un artículo en Kdnuggets de Kader Muhideen V, Lead Technical Architect en Tata Consultancy Services, el cual os invito a todos que lo vistiéis en el enlace que aparece al final.

-Feature engineering, lo que podríamos traducir como hacer una correcta selección de atributos (los ‘features’ o variables que nombramos en un dataset para hacer funcionar un modelo)

-‘Model tuning’. Podemos mejorar la precisión de algoritmos que ya vienen incluidos en libraries de R o Python por ejemplo, si ajustamos sus parámetros correctamente. Esto debe hacerse entendiendo muy bien el funcionamiento de los modelos.

-Evitar el sobreajuste (overfitting). No debemos buscar una precisión enorme en base a un entrenamiento muy ajustado de nuestro modelo sobre un dataset, ya que la misma precisión y los resultados del mismo modelo cuando lo apliquemos sobre otro conjunto de datos diferente puede caer en picado.

-Meter mano en varias técnicas ML, no quedarse sólo con una y aplicarla en todos los casos.

-Técnicas de ensamblado de modelos. Según el autor, esto le ha llevado a ganar varias competiciones en kaggle

-Utilizar plataformas que implementen ML como R, Java o las librerías de Spark sobre ML

-Visualizar tanto los datos como los modelos que sacamos a partir de ellos

-Trabajar sobre proyectos del mundo real, para así ir ganando experiencia.

LEER MÁS