Qué es ML
Para comprender completamente el código en este curso, se recomienda tomar los siguientes cursos (a menos que ya esté familiarizado con estos temas):
Aprendizaje automático (ML) es un enfoque de programación en el que las computadoras aprenden a partir de datos para resolver una tarea, en lugar de tener la solución programada explícitamente.
Veamos el ejemplo de un clasificador de spam/ham (no spam).
Si se intenta construirlo utilizando el enfoque tradicional de programación (sin ML), será difícil escribir la lógica del programa, incluso crear manualmente una lista de palabras de spam.
Como alternativa, se pueden proporcionar muchos ejemplos de correos spam y ham a un modelo de aprendizaje automático que aprenderá por sí mismo.
Los datos que proporcionamos al modelo de ML para entrenar se denominan conjunto de entrenamiento. En el ejemplo anterior, el conjunto de entrenamiento consiste en un grupo de correos electrónicos que ya están etiquetados como spam o no spam. Esto permite que el modelo aprenda las características de los correos electrónicos de spam y no spam.
Después de entrenar el modelo, evaluamos su rendimiento utilizando el conjunto de prueba. Este consiste en un conjunto separado de correos electrónicos, también etiquetados como spam o no spam, lo que nos ayuda a determinar qué tan bien nuestro modelo puede generalizar a nuevos datos no vistos.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 3.13
Qué es ML
Desliza para mostrar el menú
Para comprender completamente el código en este curso, se recomienda tomar los siguientes cursos (a menos que ya esté familiarizado con estos temas):
Aprendizaje automático (ML) es un enfoque de programación en el que las computadoras aprenden a partir de datos para resolver una tarea, en lugar de tener la solución programada explícitamente.
Veamos el ejemplo de un clasificador de spam/ham (no spam).
Si se intenta construirlo utilizando el enfoque tradicional de programación (sin ML), será difícil escribir la lógica del programa, incluso crear manualmente una lista de palabras de spam.
Como alternativa, se pueden proporcionar muchos ejemplos de correos spam y ham a un modelo de aprendizaje automático que aprenderá por sí mismo.
Los datos que proporcionamos al modelo de ML para entrenar se denominan conjunto de entrenamiento. En el ejemplo anterior, el conjunto de entrenamiento consiste en un grupo de correos electrónicos que ya están etiquetados como spam o no spam. Esto permite que el modelo aprenda las características de los correos electrónicos de spam y no spam.
Después de entrenar el modelo, evaluamos su rendimiento utilizando el conjunto de prueba. Este consiste en un conjunto separado de correos electrónicos, también etiquetados como spam o no spam, lo que nos ayuda a determinar qué tan bien nuestro modelo puede generalizar a nuevos datos no vistos.
¡Gracias por tus comentarios!