Información administrativa
| Título | Árboles de decisión |
| Duración | 2 x 45 minutos |
| Módulo | A |
| Tipo de lección | Practico |
| Enfoque | Práctico — Modelado de IA |
| Tema | Análisis de datos |
Keywords
Generación de conjuntos de datos, configuración, complejidad del modelo,
Objetivos de aprendizaje
- aprende los conceptos básicos de los árboles de decisión
Preparación prevista
Eventos de aprendizaje que se completarán antes
Obligatorio para los estudiantes
- Conferencia: Preparación y Exploración de Datos
- Sesión de laboratorio: Preparación y Exploración de Datos
Opcional para estudiantes
Ninguno.
Referencias y antecedentes para estudiantes
- Scikit-Learn
- Keras
- Árbol de decisiones en wikipedia
- Ron Kohavi, "Ampliando la precisión de los clasificadores de Naive-Bayes: a Decision-Tree Hybrid", Acta de la Segunda Conferencia Internacional sobre Descubrimiento de Conocimientos y Minería de Datos, 1996.
- https://scikit-learn.org/stable/modules/tree.html
- https://pulplearning.altervista.org/algoritmi-di-machine-learning-decision-tree/
- https://www.kaggle.com/code/hamelg/python-for-data-29-decision-trees/notebook
- https://towardsdatascience.com/decision-trees-in-machine-learning-641b9c4e8052
Recomendado para profesores
Ninguno.
Material didáctico
Instrucciones para profesores
Este evento de aprendizaje consiste en tareas de laboratorio que serán resueltas por los estudiantes con la ayuda del instructor principal.
Puedes basar esta clase alrededor de los cuadernos.
Esquema/programa de tiempo[editar | fuente de edición]
| Duración (min) | Descripción | Conceptos | Actividad | Material |
|---|---|---|---|---|
| 5 | Resumen de las tareas que deben llevarse a cabo | Introducción | Conferencia | |
| 5 | Generación de un conjunto de datos bidimensionales | Ruido gaussiano, np.random.randn | Codificación | Cuaderno de Jupyter |
| 10 | Ajuste y evaluación de un árbol de decisión | scikit-aprendizaje | Codificación | |
| 15 | Investigar el efecto del parámetro de complejidad del modelo | complejidad del modelo, vectores de soporte, margen, trazado | Documentación | |
| 5 | Ajuste del modelo | Montaje del modelo | Codificación | |
| 15 | Evaluar e investigar el efecto del parámetro | Evaluación de parámetros | Documentación | |
| 20 | Implementación de un modelo precomputado personalizado | operaciones matriciales en numpy | Codificación | |
| 45 | Ajuste y evaluación del modelo sobre datos reales | preprocesamiento de datos (escalado), precisión, matriz de fusión, validación cruzada | Documentación |
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».