Machine Learning para Investigación con WEKA. De 0 a Experto

Ya que Weka, será nuestro entorno de machine learning aplicado, en esta segunda lección realizaremos un recorrido sobre los diferentes paneles y opciones que nos ofrece este software. Para ello Weka nos ofrece un conjunto de diferentes paneles con diferentes pestañas cada uno de ellos que serán los recursos principales para trabajar machine learning en cualquier conjunto de datos.

En este sentido, los principales paneles que se recorrerán serán:

1. Panel Explorer: Este panel podemos observar estadísticas de los datos, distribuciones de los diferentes atributos, correlaciones de los atributos, algoritmos de modelado y un largo etcétera, que veremos a continuación.

2. Panel Experimenter: Este entorno nos ofrece la posibilidad de poder cargar diferentes conjuntos de datos y algoritmos, para posteriormente obtener los resultados y analizarlos en detalle evaluando todos ellos encontrando el mejor resultado.

Panel Explorer: Este panel podemos observar estadísticas de los datos, distribuciones de los diferentes atributos, correlaciones de los atributos, algoritmos de modelado y un largo etcétera, que veremos a continuación.

Panel Experimenter: Este entorno nos ofrece la posibilidad de poder cargar diferentes conjuntos de datos y algoritmos, para posteriormente obtener los resultados y analizarlos en detalle evaluando todos ellos encontrando el mejor resultado.

En esta tercera unidad, se estudiarán las diferentes clasificaciones de datos en machine learning, a interpretar cómo es este conjunto de datos, para, finalmente, realizar un pre-análisis de este conjunto, teniendo en cuenta la clasificación y su interpretación.

Asimismo, repasaremos temas tan importantes como:

• Clasificación de datos: Estudiaremos en profundidad los tipos de datos para machine learning y como identificarlos y cargarlos en nuestro entorno de trabajo.

• Conjuntos de datos o datasets: Analizaremos los diferentes conjuntos de datos que estudiaremos en nuestro curso, evaluando si es un problema de clasificación binaria, clasificación multiclase o de regresión.

• Estadística descriptiva: Interpretaremos nuestros datos con conceptos de estadística descriptiva obteniendo valiosa información respecto al machine learning.

Conjuntos de datos o datasets: Analizaremos los diferentes conjuntos de datos que estudiaremos en nuestro curso, evaluando si es un problema de clasificación binaria, clasificación multiclase o de regresión.

Estadística descriptiva: Interpretaremos nuestros datos con conceptos de estadística descriptiva obteniendo valiosa información respecto al machine learning.

Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.

El pre-procesamiento de los datos es un tema fundamental para mejorar los resultados finales de los diferentes modelos de predicción. Tener unos datos bien estructurados y representados ayudará, tanto al modelo como a nosotros mismos, a comprenderlos mejor. Temas como normalización, estandarización, transformación de los datos y manejar valores ''perdidos'' (missing), serán de gran importancia en los resultados finales de los diferentes modelos.

Por tanto, cada uno de los temas serán:

1. Normalización y estandarización de datos. Es de sobra conocido que los diferentes algoritmos de machine learning "lanzan" probabilidades en base al aprendizaje de un conjunto de datos de entrenamiento, de ahí la importancia de tener un conjunto de datos bien estructurado y filtrado. Tanto es así, que podemos obtener resultados muy notables si tenemos un conjunto datos bien estudiado, por ejemplo escalar o normalizar nuestro conjunto de datos, puede llevar a una mejor salida de la métrica de los modelos de machine learning.

2. Transformar los datos. A menudo, los datos ''en bruto'' para el Machine Learning no están en una forma ideal para el modelado, sino que un conjunto de datos debemos prepararlo o remodelarlo para cumplir con las expectativas de los diferentes algoritmos.

3. Valores "missing" en los datos. Normalmente, los datos no están limpios y, a menudo, puede tener valores corruptos u omisos (no tienen). Es importante identificar, marcar y manejar datos faltantes al desarrollar modelos de machine learning para obtener un mejor rendimiento.

Normalización y estandarización de datos. Es de sobra conocido que los diferentes algoritmos de machine learning "lanzan" probabilidades en base al aprendizaje de un conjunto de datos de entrenamiento, de ahí la importancia de tener un conjunto de datos bien estructurado y filtrado. Tanto es así, que podemos obtener resultados muy notables si tenemos un conjunto datos bien estudiado, por ejemplo escalar o normalizar nuestro conjunto de datos, puede llevar a una mejor salida de la métrica de los modelos de machine learning.

Transformar los datos. A menudo, los datos ''en bruto'' para el Machine Learning no están en una forma ideal para el modelado, sino que un conjunto de datos debemos prepararlo o remodelarlo para cumplir con las expectativas de los diferentes algoritmos.

Valores "missing" en los datos. Normalmente, los datos no están limpios y, a menudo, puede tener valores corruptos u omisos (no tienen). Es importante identificar, marcar y manejar datos faltantes al desarrollar modelos de machine learning para obtener un mejor rendimiento.

Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.

Una vez realizado un preprocesamiento de los datos debemos comprenderlos antes de modelarlos. Para poder comprenderlos existen técnicas como feature selection nos permitirán seleccionar las variables más significativas en los resultados. Además, estudiaremos los diferentes algoritmos (lineales, no lineales y ensamblados) para poder realizar estimaciones en su resultado y poder compararlos con un modelo base para un test de significancia estadística.

Por tanto, cada uno de los temas serán:

1. Feature selection. El proceso de future selection en los datos permite modelar su problema se denomina selección de mejores características, es decir, atributos más relevantes para los modelos de aprendizaje.

2. Algoritmos de aprendizaje: En esta sección descubrirá los algoritmos de machine learning apoyados por Weka. Estos algoritmos podrán ser lineales, no lineales y/o ensamblados en su variate de aprendizaje supervisado o no supervisado.

3. Estimar el resultado de los algoritmos. El problema del modelado predictivo es crear modelos que tengan un buen resultado haciendo predicciones sobre nuevos datos no vistos. Cuanto más fiable sea el cálculo del resultado en su modelo, más puede impulsar el resultado y confiar en que se traducirá en el uso operativo de su modelo.

Feature selection. El proceso de future selection en los datos permite modelar su problema se denomina selección de mejores características, es decir, atributos más relevantes para los modelos de aprendizaje.

Algoritmos de aprendizaje: En esta sección descubrirá los algoritmos de machine learning apoyados por Weka. Estos algoritmos podrán ser lineales, no lineales y/o ensamblados en su variate de aprendizaje supervisado o no supervisado.

Estimar el resultado de los algoritmos. El problema del modelado predictivo es crear modelos que tengan un buen resultado haciendo predicciones sobre nuevos datos no vistos. Cuanto más fiable sea el cálculo del resultado en su modelo, más puede impulsar el resultado y confiar en que se traducirá en el uso operativo de su modelo.

Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.

En esta unidad aprenderemos a gestionar en detalle los los diferentes resultados que tienen los algoritmos, diferenciando si nuestro problema es un problema de regresión (recordamos, valor numérico a predecir) o de clasificación (recordamos, valor de clase a predecir). Finalmente, estudiaremos qué son los algoritmos ensamblados y como funcionan estos modelos para problemas de regresión/clasificación.

Las secciones que se discutirán son:

• Algoritmos de clasificación: Los 5 algoritmos que veremos serán: (i) Logistic Regression; (ii) Naive Bayes; (iii) Decision Tree; (iv) k-Nearest Neighbors; y (v) Support Vector Machine.

• Algoritmos de clasificación: Los 5 algoritmos que veremos serán: (i) Linear Regression; (ii) Multilayer Perceptron; (iii) Decision Tree; (iv) k-Nearest Neighbors; y (v) Support Vector Machine.

• Algoritmos ensamblados: Los 5 algoritmos que veremos serán: (i) Boostrap Aggregation; (ii) Random Forest; (iii) AdaBoost; (iv) Voting; y (v) Stacked Generalization.

Algoritmos de clasificación: Los 5 algoritmos que veremos serán: (i) Logistic Regression; (ii) Naive Bayes; (iii) Decision Tree; (iv) k-Nearest Neighbors; y (v) Support Vector Machine.

Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.

Finalizamos los conceptos teórico/prácticos conociendo la fase de predicción para machine learning, esto es, los resultados que nos interesan para, posteriormente, realizar predicciones sobre nuestro problema. Debido a que es el tema fundamental en machine learning, tenemos que profundizar sobre estos conceptos para poder comparar el rendimiento de los algoritmos, configurar sus hiperparámetros y saber guardar el modelo para, finalmente, realizar predicciones. Por tanto, en este tema se estudiará:

• Comparar el rendimiento de los algoritmos. Como hemos visto en el capítulo anterior puede hacerse un poco engorroso el tener que estar ejecutando algoritmos y comparando la salida que nos proporciona con el objetivo de buscar el mejor candidato. En este capítulo veremos como minimizar este problema.
  

• Configurar los hiperparámetros de los algoritmos. Al igual que los algoritmos, tener que configurar los hiperparámetros uno por uno se puede hacer también un poco lioso. Weka nos proporciona la posibilidad de analizar un conjunto de hiperparámetros para un algoritmo, optimizando el tiempo de búsqueda de los mejores candidatos.
  

• Guardar el modelo y realizar predicciones. Por último, una vez obtenido el mejor algoritmo candidato con sus mejores hiperparámetros, tenemos que proceder a la fase de predicción para las nuevas instancias no clasificadas.

Una vez visto todos los conceptos teórico/prácticos finalizamos el curso trabajando un proyecto completo, es decir, de inicio a fin, evaluando cada una de las partes intermedias a tener en cuenta.

Sección que dispondrá de una serie de recursos y enlaces interesantes para poder complementar eficazmente la formación del curso.

¡Enhorabuena, finalizaste con éxito la formación!

En esta última clase podrás solicitar tu certificado de finalización del curso, que te será de gran ayuda para complementar tu curriculum vitae.

En esta clase dispones de un espacio para resolver las dudas y consultas que te surjan durante el curso.

Plantea tus dudas y te ayudaré a resolverla. De esta forma todos los alumnos de esta formación podrán participar de las aportaciones mías como instructor como del resto de compañeros del curso. 

Mis Cursos en Udemy.

Te invito a conocer el resto de mis formaciones disponibles en la plataforma Udemy.

Y por ser alumno y haber finalizado este curso, te ofrezco un gran descuento en mis cursos online como agradecimiento por tu apoyo y confianza prestada en mis formaciones.  Accede al contenido exclusivo de esta lección y consigue tu curso con descuento.