Ciclo de Vida del Proyecto ML y Ajuste de Hiperparámetros
Un proyecto de machine learning sigue una secuencia clara de pasos, similar a construir una casa. El examen AIF-C01 presenta estos pasos como escenarios de negocio reales.
---
Las 8 Etapas del Ciclo de Vida ML
Los proyectos de ML no son lineales — son cíclicos, como desarrollar una receta. Si el resultado es malo, se vuelve a los pasos anteriores y se ajusta.
Definir objetivos de negocio: comenzar con el problema, no con la tecnología Formular el problema ML: convertir el problema de negocio en una tarea de ML Procesamiento de datos: GIGO — calidad de datos = calidad del modelo Análisis Exploratorio de Datos (EDA): visualizar y comprender los datos Desarrollo del modelo: entrenar, evaluar y comparar modelos Reentrenamiento: volver aquí cuando el rendimiento cae o se detecta deriva Despliegue: Real-time, Batch, Serverless o Asincrónico Monitoreo: detectar deriva de modelo y activar reentrenamiento
---
Hiperparámetros vs Parámetros
Parámetros: aprendidos automáticamente durante el entrenamiento Hiperparámetros: configurados por humanos antes del entrenamiento
Cuatro hiperparámetros clave: Tasa de aprendizaje, Tamaño del lote, Número de épocas, Regularización.
---
Sobreajuste y sus Soluciones
El sobreajuste ocurre cuando el modelo memoriza los datos de entrenamiento pero falla con datos nuevos. Cinco soluciones: expansión de datos, parada temprana, aumento de datos, ajuste de hiperparámetros, reducción de características.
---
Resumen para el Examen
8 etapas en orden: Definir objetivos → Formular problema → Datos → EDA → Modelo → Reentrenamiento → Despliegue → Monitoreo SageMaker AMT = ajuste automático de hiperparámetros Pocas épocas = subajuste; demasiadas = sobreajuste Deriva detectada → volver al reentrenamiento