book

Creación de aplicaciones basadas en el aprendizaje automático

by Emmanuel Ameisen

September 2024

Intermediate to advanced

260 pages

7h 41m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

El objetivo de utilizar aplicaciones basadas en el aprendizaje automáticoUtiliza el ML para crear aplicaciones prácticasRecursos adicionalesML prácticoDe qué trata este libroRequisitos previosNuestro caso práctico: Escritura asistida por MLEl proceso MLConvenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
Estima lo que es posibleModelosDatosEnmarcar el Editor de MLIntentar hacerlo todo con ML: un marco de principio a finEl método más sencillo: Ser el AlgoritmoEl término medio: Aprender de nuestra experienciaMonica Rogati: Cómo elegir y priorizar proyectos de MLConclusión
Medir el éxitoRendimiento empresarialRendimiento del modeloCambio de frescura y distribuciónVelocidadEstimar el alcance y los retosAprovechar la experiencia en el dominioPonte a hombros de gigantesPlanificación del Editor MLPlan inicial para un editorEmpieza siempre con un modelo sencilloPara Progresar Regularmente: Empieza por lo sencilloEmpieza con una tubería sencillaCanalización para el Editor MLConclusión
El andamio más sencilloPrototipo de editor de MLAnalizar y limpiar datosTokenizar textoGenerar funcionesPrueba tu flujo de trabajoExperiencia del usuarioResultados de la modelizaciónEvaluación del Prototipo del Editor MLModeloExperiencia del usuarioConclusión
Iterar en conjuntos de datosHaz Ciencia de DatosExplora tu primer conjunto de datosSé eficiente, empieza poco a pocoPerspectivas frente a productosUna rúbrica de calidad de datosEtiqueta para encontrar tendencias de datosResumen estadísticoExplora y etiqueta eficazmenteSé el AlgoritmoTendencias de los datosDeja que los datos informen las características y los modelosConstruye funciones a partir de patronesFunciones del Editor MLRobert Munro: ¿Cómo encontrar, etiquetar y aprovechar los datos?Conclusión
El modelo apropiado más sencilloModelos sencillosDe los patrones a los modelosDivide tu conjunto de datosDivisión de datos del editor MLJuez de ActuaciónEvalúa tu modelo: Mira más allá de la precisiónContrasta los datos y las prediccionesMatriz de confusiónCurva ROCCurva de calibraciónReducción de la dimensionalidad de los erroresEl método Top-kOtros modelosEvaluar la importancia de las característicasDirectamente desde un clasificadorExplicadores de caja negraConclusión
Buenas prácticas de softwareBuenas prácticas específicas del MLCableado de depuración: Visualizar y probarEmpieza con un ejemploPrueba tu código MLFormación en depuración: Haz que tu modelo aprendaDificultad de la tareaProblemas de optimizaciónDepurar la Generalización: Haz que tu modelo sea útilFuga de datosSobreajusteConsidera la tarea a realizarConclusión

Extraer recomendaciones de los modelos¿Qué podemos conseguir sin un modelo?Extraer la importancia global de las característicasUtilizar la puntuación de un modeloExtraer la importancia local de las característicasComparación de modelosVersión 1: El boletín de calificacionesVersión 2: Más potente, más confusaVersión 3: Recomendaciones comprensiblesGenerar recomendaciones de ediciónConclusión
Preocupación por los datosPropiedad de los datosSesgo de los datosSesgo sistémicoPreocupación por el modeladoBucles de realimentaciónRendimiento del modelo inclusivoTeniendo en cuenta el contextoAdversariosProblemas de abuso y doble usoChris Harland Experimentos de envíoConclusión
Implementación en el ServidorAplicación o API de streamingPredicciones de loteImplementación del lado del clienteEn el dispositivoLado del NavegadorAprendizaje Federado: Un enfoque híbridoConclusión
Ingeniar en torno a los fallosComprobaciones de entrada y salidaFallos del modeloIngeniero de rendimientoEscala a múltiples usuariosGestión del ciclo de vida de modelos y datosProceso de datos y DAGsPide opinionesChris Moody Capacitar a los Científicos de Datos para la Implementación de ModelosConclusión
El monitoreo salva vidasMonitoreo para informar de la frecuencia de actualizaciónMonitorea para detectar abusosElige qué monitorizarMétricas de rendimientoMétricas empresarialesCI/CD para MLPruebas A/B y experimentaciónOtros enfoquesConclusión

Content preview from Creación de aplicaciones basadas en el aprendizaje automático

Capítulo 6. Depurar tus problemas de ML

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

En el capítulo anterior, entrenamos y evaluamos nuestro primer modelo.

Conseguir que una tubería alcance un nivel satisfactorio de rendimiento es difícil y requiere múltiples iteraciones. El objetivo de este capítulo es guiarte a través de uno de esos ciclos de iteración. En este capítulo, cubriré herramientas para depurar canalizaciones de modelado y formas de escribir pruebas para asegurarnos de que siguen funcionando una vez que empezamos a cambiarlas.

Las buenas prácticas de software animan a los profesionales a probar, validar e inspeccionar regularmente su código, especialmente en pasos delicados como la seguridad o el análisis sintáctico de entradas. Esto no debería ser diferente para el ML, donde los errores en un modelo pueden ser mucho más difíciles de detectar que en el software tradicional.

Trataremos algunos consejos que te ayudarán a asegurarte de que tu canalización es robusta y de que puedes probarla sin que falle todo el sistema, ¡pero primero vamos a profundizar en las buenas prácticas de software!

Buenas prácticas de software

Para la mayoría de los proyectos de ML, repetirás varias veces el proceso de construir un modelo, analizar sus deficiencias y abordarlas. También es probable que cambies cada parte de tu infraestructura más de una vez, por lo que es crucial encontrar métodos para aumentar la velocidad ...