Nombre alternativo de la charla: Antonio
Juan Pedro Fisanotti
Idea principal: reconocer patrones o agrupaciones en los datos.
No interpreta los grupos, eso nos toca a nosotros.
Idea principal: encontrar una función que explique los datos de salida a partir de los datos de entrada.
Nosotros tenemos ambos grupos de datos.
Una función corriente y moliente.
Una función que devuelva etiquetas.
Es una función candidata a ser la que buscamos para predecir las salidas.
Los algoritmos van a probar muchas hipótesis, y devolvernos la mejor que encuentren.
Es el tipo de función, el molde, que vamos a utilizar para armar nuestras hipótesis.
Por lo general, un algoritmo específico de IA sabe trabajar con un tipo específico de funciones, o grupo de tipos similares.
Hablando mal y pronto:
Modelo paramétrico: arma una f() con algunos parámetros, y eso solo basta para hacer predicciones.
Modelo no paramétrico: tiene una f() que consulta los datos. Para predecir hace falta la f() más los datos.
(ejemplos, hay muchos)
Cometí el error de hablar demasiado en un almuerzo con la familia de mi novia (me suele pasar).
Ya que estamos, competir online en El Ega.
Prode familiar:
Primer puesto!!
El Ega (+200 personas):
Primer puesto!!!!!!!
Machine Learning es algo que puede fácilmente aplicarse a problemas reales y no tan grandes, con resultados suficientemente buenos (mejores que un humano) para el problema.
Hay que perderle el miedo.
El código del predictor del mundial visualizado con ejemplos de datos y gráficos:
http://nbviewer.ipython.org/github/fisadev/world_cup_learning/blob/master/learn.ipynb
El código fuente de eso mismo en github: