Aprendizaje automático - Ruta de aprendizaje

El aprendizaje automático es uno de los campos tecnológicos más populares en la actualidad; permite que las computadoras aprendan de los datos y hagan predicciones o tomen decisiones.

Para los principiantes, enfrentarse a una gran cantidad de algoritmos, teorías matemáticas y herramientas de programación puede resultar abrumador y no saber por dónde empezar.

Este artículo presenta una hoja de ruta de aprendizaje de aprendizaje automático que va desde cero hasta tener capacidad práctica.

Introducción básica (fila de encabezado de categoría) Procesamiento de datos y estadística (fila de encabezado de categoría) Aprendizaje supervisado (fila de encabezado de categoría) Aprendizaje no supervisado (fila de encabezado de categoría) Aprendizaje por refuerzo (fila de encabezado de categoría) Aprendizaje profundo (fila de encabezado de categoría) Optimización e ingeniería de modelos (fila de encabezado de categoría) Limitaciones y fronteras del aprendizaje automático (fila de encabezado de categoría) Casos prácticos (fila de encabezado de categoría)
Aprendizaje automático - Lista de cursos
Introducción básica
Introducción básica Tutorial de aprendizaje automático
Introducción básica Introducción al aprendizaje automático
Introducción básica Ciclo de vida del aprendizaje automático
Introducción básica Cómo funciona el aprendizaje automático
Introducción básica Terminología básica del aprendizaje automático
Introducción básica Python para iniciarse en el aprendizaje automático
Introducción básica Bibliotecas de Python para aprendizaje automático
Introducción básica Tipos de datos comunes
Introducción básica Aplicaciones del aprendizaje automático
Procesamiento de datos y estadística
Procesamiento de datos y estadística Comprensión de datos
Procesamiento de datos y estadística Limpieza de datos
Procesamiento de datos y estadística Ingeniería de características
Procesamiento de datos y estadística Visualización de datos
Procesamiento de datos y estadística División del conjunto de entrenamiento y prueba
Procesamiento de datos y estadística Fundamentos de estadística
Procesamiento de datos y estadística Pensamiento probabilístico
Procesamiento de datos y estadística Función de pérdida y gradiente
Procesamiento de datos y estadística Sobreajuste, subajuste, sesgo y varianza
Aprendizaje supervisado
Aprendizaje supervisado Algoritmos de aprendizaje automático
Aprendizaje supervisado Regresión lineal
Aprendizaje supervisado Regresión lineal múltiple
Aprendizaje supervisado Regresión polinómica
Aprendizaje supervisado Regresión logística
Aprendizaje supervisado Evaluación de modelos de regresión
Aprendizaje supervisado Árbol de decisión
Aprendizaje supervisado Máquina de vectores de soporte
Aprendizaje supervisado Algoritmo de K vecinos más cercanos
Aprendizaje supervisado Aprendizaje conjunto
Aprendizaje supervisado Naive Bayes
Aprendizaje supervisado Bosque aleatorio
Aprendizaje supervisado Métricas de clasificación
Aprendizaje no supervisado
Aprendizaje no supervisado Agrupamiento
Aprendizaje no supervisado Reducción de dimensionalidad
Aprendizaje por refuerzo
Aprendizaje por refuerzo Marco básico del aprendizaje por refuerzo
Aprendizaje por refuerzo Aprendizaje por refuerzo: exploración vs. explotación
Aprendizaje por refuerzo Aprendizaje por refuerzo: Q-learning y SARSA
Aprendizaje por refuerzo Aprendizaje por refuerzo profundo
Aprendizaje profundo
Aprendizaje profundo Estructura básica de las redes neuronales
Aprendizaje profundo Propagación hacia adelante y retropropagación
Aprendizaje profundo Aprendizaje profundo vs. aprendizaje automático tradicional
Aprendizaje profundo Tipos de redes comunes
Optimización e ingeniería de modelos
Optimización e ingeniería de modelos Validación cruzada
Optimización e ingeniería de modelos Regularización
Optimización e ingeniería de modelos Fuga de datos
Optimización e ingeniería de modelos Métodos de conjunto
Optimización e ingeniería de modelos Búsqueda de hiperparámetros
Optimización e ingeniería de modelos Conceptos de MLOps
Optimización e ingeniería de modelos Solución de problemas comunes
Limitaciones y fronteras del aprendizaje automático
Limitaciones y fronteras del aprendizaje automático Problemas de interpretabilidad
Limitaciones y fronteras del aprendizaje automático Limitaciones de supuestos
Limitaciones y fronteras del aprendizaje automático Sesgo de datos
Limitaciones y fronteras del aprendizaje automático Costo real de los modelos
Casos prácticos
Casos prácticos Predicción de supervivencia en el Titanic
Casos prácticos Predicción de precios de viviendas
Casos prácticos Segmentación de clientes
Casos prácticos Visualización de PCA
Casos prácticos Ejemplo de aprendizaje por refuerzo

Etapa 1: Fundamentos - Construir una base sólida

Antes de abordar algoritmos complejos, primero necesitas construir los cimientos que sostienen el edificio del conocimiento. El objetivo de esta etapa es dominar las habilidades necesarias de matemáticas, programación y análisis de datos.

Habilidad clave 1: Lenguaje de programación (Python)

Python es el lenguaje más común en el ámbito del aprendizaje automático, muy apreciado por su sintaxis sencilla y su rico ecosistema de bibliotecas.

Objetivos de aprendizaje: Dominar la sintaxis básica de Python, estructuras de datos, funciones y programación orientada a objetos.

Bibliotecas clave:

  • NumPy: Se utiliza para el cálculo numérico eficiente y es la base de casi todas las bibliotecas de cálculo científico.
  • Pandas: Es una herramienta poderosa para la limpieza, análisis y procesamiento de datos, y para manipular tablas de datos (DataFrame).
  • Matplotlib / Seaborn: Se utiliza para la visualización de datos, convirtiendo los datos en gráficos intuitivos.

A continuación, podemos ver un ejemplo.

Contenido del archivo de datos de prueba house_prices.csv:

面积,价格,房龄,卧室数,城市
45,120,15,1,北京
60,180,12,2,北京
75,260,8,2,北京
90,320,6,3,北京
110,420,5,3,北京
130,520,3,4,北京
50,80,20,1,成都
70,120,15,2,成都
85,150,12,3,成都
100,190,10,3,成都
120,240,8,4,成都
140,300,5,4,成都
55,150,18,1,上海
70,220,14,2,上海
85,300,10,2,上海
100,380,8,3,上海
120,480,6,3,上海
150,650,4,4,上海
40,60,22,1,武汉
65,95,16,2,武汉
80,130,12,2,武汉
95,170,9,3,武汉
115,220,7,3,武汉
135,280,5,4,武汉

Ejemplo

# Ejemplo: Uso de Pandas y Matplotlib para el análisis básico de datos
import pandas as pd
import matplotlib.pyplot as plt

# -------------------------- Inicio de configuración de la fuente china --------------------------
plt.rcParams['font.sans-serif'] = [
    # Windows primero
    'SimHei', 'Microsoft YaHei',
    # macOS primero
    'PingFang SC', 'Heiti TC',
    # Linux primero
    'WenQuanYi Micro Hei', 'DejaVu Sans'
]
# Corregir el problema de que el signo negativo se muestra como un cuadro
plt.rcParams['axes.unicode_minus'] = False
# -------------------------- Fin de configuración de la fuente china --------------------------

# 1. Leer los datos
data = pd.read_csv('house_prices.csv')
print("Las primeras 5 filas de datos:")
print(data.head())

# 2. Ver información básica de los datos
print("\n"Información de los datos:")
print(data.info())

# 3. Dibujar el diagrama de dispersión del área y el precio de la vivienda
plt.figure(figsize=(10, 6))
plt.scatter(data['Área'], data['Precio'], alpha=0.5)
plt.title('Área de la vivienda vs. Precio')
plt.xlabel('Área (metros cuadrados)')
plt.ylabel('Precio (10,000 yuanes)')
plt.grid(True)
plt.show()

Después de ejecutarlo, el gráfico de salida es el siguiente:

Habilidad clave 2: Conocimientos matemáticos necesarios

No necesitas ser matemático, pero debes entender la lógica básica detrás de los algoritmos.

  • Álgebra lineal: Comprender vectores, matrices y multiplicación de matrices. Esto es la base para entender cómo se representan y transforman los datos en un espacio multidimensional.
  • Cálculo: la clave es comprender los conceptos de derivada y derivada parcial. Son el núcleo de los algoritmos de optimización (como el descenso de gradiente), utilizados para encontrar los parámetros óptimos del modelo.
  • Probabilidad y Estadística: comprender la media, la varianza, la desviación estándar, las distribuciones de probabilidad, la probabilidad condicional y el teorema de Bayes. Esto es fundamental para evaluar modelos y comprender la incertidumbre.

Metáfora: imagina el modelo de aprendizaje automático como una complejamesa de mezclas. El conocimiento matemático es el manual que te permite entender cómo cada perilla (parámetro) afecta el sonido final (resultado de la predicción). Sin el manual, solo puedes girar a ciegas.


Etapa 2: Introducción - Dominar algoritmos clásicos

Con una base sólida, puedes comenzar a explorar el núcleo del aprendizaje automático: los algoritmos. Se recomienda empezar por los algoritmos más clásicos e intuitivos.

Introducción al aprendizaje supervisado

El aprendizaje supervisado consiste en entrenar modelos con datos que ya tienen etiquetas.

  1. Regresión lineal: predice valores continuos (como el precio de la vivienda). Comprende su función de costo y el proceso de optimización por descenso de gradiente.
  2. Regresión logística: resuelve problemas de clasificación (como determinar si un correo es spam). Comprende la función Sigmoid y el límite de decisión.
  3. K-vecinos más cercanos (K-NN): un algoritmo simple de clasificación/regresión basado en instancias.
  4. Árbol de decisión: simula el proceso de decisión humano, es muy intuitivo y fácil de entender.

Introducción al aprendizaje no supervisado

El aprendizaje no supervisado se utiliza para descubrir la estructura y los patrones internos de los datos.

  1. Clustering K-medias: agrupa automáticamente los datos en K categorías.
  2. Análisis de componentes principales (PCA): se utiliza para reducir la dimensionalidad de los datos y visualizarlos, extrayendo las características más importantes.

Actualización de herramientas: en esta etapa, comienza a usar sistemáticamente lascikit-learnlibrería. Proporciona una API unificada que te permite implementar, comparar y evaluar rápidamente varios algoritmos.

Ejemplo

import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, classification_report

# =========================
# 1. Crear datos de prueba ejecutables
# Escenario: aprobar o no el examen (1=aprobado, 0=no aprobado)
# Características: horas de estudio, tasa de asistencia, tasa de finalización de tareas
# =========================
X = np.array([
    [2, 60, 50],
    [3, 65, 55],
    [4, 70, 65],
    [5, 75, 70],
    [6, 80, 75],
    [7, 85, 80],
    [8, 90, 85],
    [9, 92, 88],
    [10, 95, 90],
    [11, 97, 92],
    [1, 50, 40],
    [2, 55, 45],
    [3, 60, 50],
    [4, 65, 55],
    [5, 70, 60],
    [6, 75, 65],
    [7, 80, 70],
    [8, 85, 75],
    [9, 90, 80],
    [10, 95, 85]
])

y = np.array([
    0, 0, 0, 0, 1,
    1, 1, 1, 1, 1,
    0, 0, 0, 0, 0,
    1, 1, 1, 1, 1
])

# =========================
# 2. Dividir el conjunto de entrenamiento y el conjunto de prueba
# =========================
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42
)

# =========================
# 3. Crear y entrenar el modelo
# =========================
model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)

# =========================
# 4. Hacer predicciones
# =========================
y_pred = model.predict(X_test)

# =========================
# 5. Evaluar el rendimiento del modelo
# =========================
print(f"Exactitud del modelo: {accuracy_score(y_test, y_pred):.2f}")
print("\nInforme de clasificación detallado:")
print(classification_report(y_test, y_pred))

Contenido de salida:

模型准确率:0.83

详细分类报告:
              precision    recall  f1-score   support

           0       0.67      1.00      0.80         2
           1       1.00      0.75      0.86         4

    accuracy                           0.83         6
   macro avg       0.83      0.88      0.83         6
weighted avg       0.89      0.83      0.84         6

Etapa 3: Avanzado - Profundizar en áreas centrales

Una vez dominados los algoritmos clásicos, puedes avanzar hacia áreas más modernas y potentes.

Profundizar en el aprendizaje automático tradicional

  • Aprendizaje por conjuntos: aprende a combinar varios modelos débiles para construir un modelo fuerte.
    • Bosque aleatorio: una integración de múltiples árboles de decisión, con fuerte resistencia al sobreajuste.
    • Árboles de boosting de gradiente (como XGBoost, LightGBM): algoritmos de alto rendimiento extremadamente populares en competiciones y en la industria.
  • Máquinas de vectores de soporte (SVM): comprende la idea central de maximizar el "margen".
  • Evaluación y optimización de modelos: profundiza en la validación cruzada, el ajuste de hiperparámetros (como GridSearchCV) y los métodos para resolver el sobreajuste/subajuste.

Adentrarse en el aprendizaje profundo

Cuando los datos (especialmente imágenes, texto y voz) se vuelven complejos, el aprendizaje profundo comienza a mostrar su gran capacidad.

  • Fundamentos de las redes neuronales: comprende las neuronas, las funciones de activación, la propagación hacia adelante, la retropropagación y la función de pérdida.
  • Frameworks de aprendizaje profundo: eligePyTorch(amigable para la investigación, flexible) oTensorFlow/Keras(maduro para producción, ecosistema completo), estudia uno de ellos en profundidad.
  • Red neuronal convolucional (CNN): es el estándar para procesar datos de imágenes; comprende el papel de las capas convolucionales y de pooling.
  • Redes neuronales recurrentes (RNN) y redes de memoria a largo y corto plazo (LSTM): herramientas poderosas para procesar datos secuenciales (como texto, series temporales).

Ejemplo

# Ejemplo: construir rápidamente una red neuronal simple con Keras
from tensorflow import keras
from tensorflow.keras import layers

model = keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(input_dim,)), # Capa oculta 1
    layers.Dropout(0.2), # Capa de dropout, para evitar el sobreajuste
    layers.Dense(32, activation='relu'), # Capa oculta 2
    layers.Dense(1, activation='sigmoid') # Capa de salida, para clasificación binaria
])

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy'])

model.summary() # Imprimir la estructura del modelo
# Después se puede usar model.fit para entrenar

Etapa 4: Aplicación y expansión - Enfocar direcciones, resolver problemas reales

Hay muchas ramas en el aprendizaje automático; en este punto debes elegir una dirección para profundizar según tus intereses o plan profesional.

Elección de direcciones principales

  • Visión por computadora (CV): profundiza en las variantes de CNN (ResNet, YOLO), aprende segmentación de imágenes y detección de objetos.
  • Procesamiento del lenguaje natural (NLP): desde incrustaciones de palabras (Word2Vec) hasta la arquitectura Transformer (BERT, GPT), domina la clasificación de texto, el análisis de sentimientos y la traducción automática.
  • Sistemas de recomendación: aprende filtrado colaborativo, factorización de matrices y modelos de recomendación por aprendizaje profundo.
  • Aprendizaje por refuerzo: hace que un agente aprenda la política óptima interactuando con el entorno; es el núcleo de la IA en juegos y el control robótico.

Ingeniería e implementación

Aprende a desplegar modelos entrenados en un entorno de producción para ofrecer un servicio real.

  • Guardado y carga de modelos(pickle, joblib, .h5archivo).
  • Construir un servicio API simple con Flask/FastAPI。
  • Conocer la contenedorización con Dockery los conceptos básicos de los servicios en la nube (como AWS SageMaker, Google AI Platform).

Resumen y recursos recomendados

Visualización de la ruta de aprendizaje

La práctica es el único atajo

El consejo más importante:¡Aprende haciendo, impulsado por proyectos!

  1. Imitación: reproduce proyectos de tutoriales y artículos.
  2. Práctica: participa en competiciones de nivel inicial en plataformas como Kaggle, Tianchi.
  3. Creación: intenta resolver un pequeño problema que te interese personalmente con aprendizaje automático (como analizar tus datos de ejercicio, clasificar automáticamente tus colecciones de fotos).

Recomendación de recursos de calidad

  • Cursos clásicos: 'Machine Learning' de Andrew Ng (Coursera), 'Aprendizaje profundo práctico' de Li Mu.
  • Plataformas de práctica: Kaggle (competiciones y conjuntos de datos), Colab / Jupyter Notebook (entorno gratuito en la nube).
  • Consolidación de conocimientos: leer lascikit-learn、PyTorchdocumentación oficial, y participa en Stack Overflow y comunidades de foros relacionados.
Otras extensiones