es muy fácil entrenar cualquier modelo. Y el proceso de formación siempre se realiza con el mismo método aparentemente adecuado. Entonces nos acostumbramos a la idea de que entrenar cualquier modelo es similar y simple.
Con autoML, Grid search y Gen AI, se pueden “entrenar” modelos de aprendizaje automático con un simple “mensaje”.
Pero la realidad es que, cuando hacemos model.fit, detrás de cada modelo, el proceso puede ser muy diferente. Y cada modelo funciona de manera muy diferente con los datos.
Podemos observar dos tendencias muy diferentes, casi en dos direcciones opuestas:
Por un lado, entrenamos, utilizamos, manipulamos y predecimos con modelos (como los modelos generativos) cada vez más complejos. Por otro lado, no siempre somos capaces de explicar modelos simples (como la regresión lineal, el clasificador discriminante lineal) y recalcular los resultados manualmente.
Es importante entender los modelos que utilizamos. Y la mejor manera de entenderlos es implementarlos nosotros mismos. Algunas personas lo hacen con Python, R u otros lenguajes de programación. Pero todavía existe una barrera para quienes no programan. Y hoy en día, comprender la IA es esencial para todos. Además, el uso de un lenguaje de programación también puede ocultar algunas operaciones detrás de funciones ya existentes. Y no está explicado visualmente, es decir, no se muestra claramente cada operación, ya que la función se codifica y luego se ejecuta, para dar solo los resultados.
Entonces, en mi opinión, la mejor herramienta para explorar es Excel. Con las fórmulas que muestran claramente cada paso de los cálculos.
De hecho, cuando recibimos un conjunto de datos, la mayoría de los no programadores lo abren en Excel para comprender qué hay dentro. Esto es muy común en el mundo empresarial.
Incluso muchos científicos de datos, incluido yo mismo, utilizamos Excel para echar un vistazo rápido. Y cuando llega el momento de explicar los resultados, mostrarlos directamente en Excel suele ser la forma más eficaz, especialmente frente a los ejecutivos.
En Excel todo es visible. No existe una “caja negra”. Puedes ver cada fórmula, cada número, cada cálculo.
Esto ayuda mucho a entender cómo funcionan realmente los modelos, sin atajos.
Además, no es necesario instalar nada. Sólo una hoja de cálculo.
Publicaré una serie de artículos sobre cómo comprender e implementar modelos de aprendizaje automático y aprendizaje profundo en Excel.
Para el “Calendario de Adviento”, publicaré un artículo por día.
¿Para quién es esta serie?
Para los estudiantes que están estudiando, creo que estos artículos ofrecen un punto de vista práctico. Se trata de dar sentido a fórmulas complejas.
Para los desarrolladores de ML o AI, que, a veces, no han estudiado teoría, pero ahora, sin álgebra, probabilidad o estadística complicadas, pueden abrir la caja negra detrás de model.fit. Porque para todos los modelos, lo haces model.fit. Pero en realidad los modelos pueden ser muy diferentes.
Esto también es para gerentes que tal vez no tengan toda la experiencia técnica, pero a quienes Excel les brindará todas las ideas intuitivas detrás de los modelos. Por lo tanto, combinado con su experiencia empresarial, podrá juzgar mejor si el aprendizaje automático es realmente necesario y qué modelo podría ser más adecuado.
Entonces, en resumen, se trata de comprender mejor los modelos, el entrenamiento de los modelos, la interpretabilidad de los modelos y los vínculos entre diferentes modelos.
Estructura de los artículos
Desde el punto de vista de un profesional, normalmente clasificamos los modelos en las dos categorías siguientes: aprendizaje supervisado y aprendizaje no supervisado.
Luego, para el aprendizaje supervisado, tenemos regresión y clasificación. Y para el aprendizaje no supervisado, tenemos agrupación y reducción de dimensionalidad.
Pero seguramente ya habrás notado que algunos algoritmos pueden compartir el mismo enfoque o uno similar, como clasificador KNN versus regresor KNN, clasificador de árbol de decisión versus regresor de árbol de decisión, regresión lineal versus “clasificador lineal”.
Un árbol de regresión y una regresión lineal tienen el mismo objetivo, es decir, realizar una tarea de regresión. Pero cuando intente implementarlos en Excel, verá que el árbol de regresión está muy cerca del árbol de clasificación. Y la regresión lineal está más cerca de una red neuronal.
Y a veces la gente confunde K-NN con K-means. Algunos pueden argumentar que sus objetivos son completamente diferentes y que confundirlos es un error de principiante. PERO, también tenemos que admitir que comparten el mismo enfoque de calcular distancias entre los puntos de datos. Entonces hay una relación entre ellos.
Lo mismo ocurre con el bosque aislado, ya que podemos ver que en el bosque aleatorio también hay un “bosque”.
Entonces organizaré todos los modelos desde un punto de vista teórico. Hay tres enfoques principales y veremos claramente cómo estos enfoques se implementan de una manera muy diferente en Excel.
Esta descripción general nos ayudará a navegar por los diferentes modelos y a conectar los puntos entre muchos de ellos.
Para los modelos basados en distancias, calcularemos distancias locales o globales entre una nueva observación y el conjunto de datos de entrenamiento. Para los modelos basados en árboles, tenemos que definir las divisiones o reglas que se utilizarán para crear categorías de características. Para funciones matemáticas, la idea es aplicar pesos a las características. Y para entrenar el modelo se utiliza principalmente el descenso de gradiente. Para los modelos de aprendizaje profundo, veremos que el punto principal es la ingeniería de características para crear una representación adecuada de los datos.
Para cada modelo, intentaremos responder estas preguntas.
Preguntas generales sobre el modelo:
¿Cuál es la naturaleza del modelo? ¿Cómo se entrena el modelo? ¿Cuáles son los hiperparámetros del modelo? ¿Cómo se puede utilizar el mismo enfoque de modelo para la regresión, la clasificación o incluso la agrupación?
Cómo se modelan las características:
¿Cómo se manejan las características categóricas? ¿Cómo se gestionan los valores faltantes? Para funciones continuas, ¿el escalado hace alguna diferencia? ¿Cómo medimos la importancia de una característica?
¿Cómo podemos calificar la importancia de las características? Esta cuestión también será discutida. Quizás sepas que paquetes como LIME y SHAP son muy populares y son independientes del modelo. Pero la verdad es que cada modelo se comporta de manera bastante diferente, y también es interesante e importante interpretarlo directamente con el modelo.
Relaciones entre diferentes modelos
Cada modelo estará en un artículo separado, pero discutiremos los enlaces con otros modelos.
También discutiremos las relaciones entre diferentes modelos. Dado que realmente abrimos cada “caja negra”, también sabremos cómo realizar mejoras teóricas en algunos modelos.
KNN y LDA (Análisis Discriminante Lineal) están muy cerca. El primero utiliza una distancia local y el segundo utiliza una distancia global. El aumento de gradiente es lo mismo que el descenso de gradiente, solo que el espacio vectorial es diferente. La regresión lineal también es un clasificador. La codificación de etiquetas se puede utilizar, en cierto modo, para funciones categóricas, y puede ser muy útil, muy poderosa, pero hay que elegir las “etiquetas” con prudencia. SVM está muy cerca de la regresión lineal, incluso más cerca de la regresión de crestas. LASSO y SVM utilizan un principio similar para seleccionar características o puntos de datos. ¿Sabes que la segunda S en LASSO es para selección?
Para cada modelo, también discutiremos un punto particular que la mayoría de los cursos tradicionales pasan por alto. Yo lo llamo la lección no enseñada del modelo de aprendizaje automático.
Entrenamiento de modelos versus ajuste de hiperparámetros
En estos artículos, nos centraremos únicamente en cómo funcionan los modelos y cómo se entrenan. No analizaremos el ajuste de hiperparámetros porque el proceso es esencialmente el mismo para todos los modelos. Normalmente utilizamos la búsqueda en cuadrícula.
Lista de artículos
A continuación habrá una lista, que actualizaré publicando un artículo por día, ¡a partir del 1 de diciembre!
¡Hasta muy pronto!
…