Objetivo

Estudiar los dos tipos principales de modelos: generativos y discriminantes, comprendiendo como realizan sus operaciones a partir de la asignación de algún valor de incertidumbre a las variables desconocidas, así como alguna forma de certeza a las variables conocidas.

Descripción

Un gran grupo de modelos de aprendizaje automático se basan en la utilización de métodos algebraicos, gráficos o de cálculo para realizar sus predicciones, sin embargo, existe otra enorme familia de modelos que entregan sus resultados haciendo uso de la teoría de las probabilidades. Los métodos probabilísticos realizan sus operaciones a partir de la asignación de algún valor de incertidumbre a las variables desconocidas y alguna forma de certeza a las variables conocidas.

Haz clic para revisar la explicación.

Modelos Probabilísticos

Revisa la siguiente lectura:

Para conocer más sobre fundamentos matemáticos para el aprendizaje automático, te recomendamos leer:

Saini, B. (2021). The Most Common Machine Learning Classification Algorithms for Data Science and Their Code. Recuperado de  https://medium.com/swlh/the-most-common-machine-learning-classification-algorithms-for-data-science-and-their-code-9a99c3d32b27

Objetivo

Implementa los modelos probabilísticos de clasificación, utilizando el lenguaje de programación Python y la librería Scikit-learn.

Instrucciones

1. Investiga sobre los modelos generativos basados en el aprendizaje profundo.
2. Utilizando el conjunto de datos de la Flor de Iris (que se encuentra integrado dentro de la librería Scikit-learn), elabora un programa en Python que compare los resultados de realizar la clasificación multinomial, a partir de un modelo discriminante (regresión logística) y un modelo generativo (Naive Bayes).

Checklist

Asegúrate de:

• Realiza el programa en Python.
• Desarrolla la comparación entre los modelos probabilísticos.