Identificar las diferentes métricas de desempeño para aplicarlas adecuadamente a cada tipo de método de aprendizaje automático, así como conocer las gráficas de desempeño y su significado para comprender el comportamiento de los modelos de clasificación ante diversas entradas. Asimismo, implementar un flujo de MLOps con la herramienta IBM Cloud for Data para automatizar el despliegue y la entrega continua de un modelo de aprendizaje automático.
El estudio de las técnicas del aprendizaje automático no puede estar completo sin comprender las métricas que se utilizan para evaluar el desempeño de un modelo. Este proceso de validación garantiza que las implementaciones y el uso de dichos modelos en los entornos de producción incorporen la menor cantidad de errores, para que, al mismo tiempo, mantengan su validez durante un periodo relativamente largo. En el desarrollo de este tema aprenderás a detalle sobre algunas de estas y sus principales usos. Además, aprenderás a implementar el concepto de operacionalización del aprendizaje automático (MLOps), que admite el desarrollo y la implementación de los modelos de aprendizaje de la misma manera que DevOps y DataOps respaldan la ingeniería de aplicaciones y la ingeniería de datos.
Los siguientes enlaces son externos a la Universidad Tecmilenio, al acceder a ellos considera que debes apegarte a sus términos y condiciones.
Para conocer más sobre los fundamentos matemáticos para el aprendizaje automático, te recomendamos leer:
Paradigma Digital. (2021, 25 de febrero). Machine Learning Operations (MLOps) para todo [Archivo de video]. Recuperado de https://www.youtube.com/watch?v=W-xH31KO6RA&t=535s
Utilizar la plataforma IBM Cloud for Data para desplegar y evaluar modelos de aprendizaje automático.
Al desarrollar este laboratorio consolidarás los conocimientos necesarios para evaluar y explicar un modelo de aprendizaje automático con la herramienta Watson OpenScale.
Asegúrate de: