Información administrativa
| Título | Evaluación del modelo |
| Duración | 60 |
| Módulo | A |
| Tipo de lección | Conferencia |
| Enfoque | Técnico — Fundamentos de la IA |
| Tema | Fundamentos de la IA |
Keywords
subfitting, overfitting, generalización, descomposición de variación de sesgo, complejidad del modelo, curva ROC,
Objetivos de aprendizaje
- Los alumnos entienden el concepto de rendimiento predictivo esperado y generalización
- Los estudiantes entienden el concepto de complejidad del modelo y su relación con el rendimiento de la generalización
- Los estudiantes están familiarizados con el sesgo y la varianza de su relación con el subefitting y el exceso de ajuste.
- Los estudiantes tienen un conocimiento firme en la evaluación de los modelos de clasificación binaria con las métricas más ampliamente aplicadas
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
Ninguno.
Opcional para estudiantes
Referencias y antecedentes para estudiantes
Ninguno.
Recomendado para profesores
- Familiarizarse con los materiales de demostración.
Material didáctico
Instrucciones para profesores
Cubrir los temas en el esquema de la lección y demostrar los conceptos utilizando los cuadernos interactivos (efecto de los hiperparámetros en el bajo/sobreajuste y las curvas de sesgo/varianza; calcluación de las curvas ROC/PR).
Esquema/horario de tiempo
| Duración (min) | Descripción | Conceptos |
|---|---|---|
| 5 | Regresión no lineal (recapitulación) | puntos de base, RBF, parámetros del núcleo, error medio cuadrado |
| 10 | Complejidad del modelo, regularización y número de parámetros | complejidad, regularización |
| 10 | Descomposición por variación de sesgo del error medio al cuadrado | error de generalización, sesgo, varianza, ruido de observación, suficiencia, sobreajuste |
| 10 | Demostración de los efectos del parámetro de complejidad, coeficiente de regularización y número de puntos básicos sobre ajuste de la curva y sesgo/varianza |
|
| 15 | Evaluación de los modelos de clasificación | matriz de confusión, TPR, FPR, precisión, límite de decisión, curva ROC/PR |
| 10 | Demostración de los límites de decisión y la curva ROC |
Reconocimientos
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».