S01_Work_Creación de modelos de clasificación y regresión.pptx

Experimentando con herramientas sin código

Creación de Modelos de Clasificación y Regresión

Consideraciones de clase

Reforzamiento

Parte Práctica

El quiz al final de la sesión no solo sirve para evaluar tu comprensión de los temas cubiertos, sino también para reforzar los conceptos clave y asegurar que estés bien preparado para avanzar en el curso. Trata el quiz como una oportunidad de aprendizaje, no como una simple prueba. Si encuentras dificultades con algunas preguntas, úsalas como una señal para revisar los conceptos relacionados. Después del quiz, habrá una discusión grupal donde podrás aclarar dudas y profundizar en los temas según sea necesario.

Subtítulo

Durante la actividad, te enfrentarás a un conjunto de datos reales o simulados donde aplicarás lo aprendido para preparar los datos, elegir el modelo adecuado y construir tu primer modelo de clasificación o regresión en KNIME. Es crucial abordar esta actividad con una mentalidad de exploración y experimentación; no hay una única "respuesta correcta". Explora diferentes configuraciones y observa cómo cambian los resultados. Esta es una excelente oportunidad para aprender de la práctica y recibir retroalimentación constructiva.

Parte Teórica

Asegúrate de comprender los conceptos fundamentales del aprendizaje automático, específicamente la diferencia entre modelos de clasificación y regresión, que se explicarán durante la sesión, antes de sumergirte en los aspectos prácticos utilizando KNIME. Esta comprensión te permitirá apreciar mejor cómo y por qué seleccionar un tipo de modelo sobre otro según el problema específico que estés tratando de resolver. Durante esta sección, animamos a los participantes a hacer preguntas y discutir ejemplos reales de aplicación para consolidar su comprensión teórica.

Consideraciones de clase

1 2 3 4 5 6 7 8 9 10 11

Warm up Introducción a KNIME Analytics Platform Primeros pasos en KNIME Creando tu Primer Modelo de Clasificación Actividad 1 Break Creando tu Primer Modelo de Regresión Actividad 2 Reforzamiento  Quizz Wrap up

Índice

Objetivos Específicos

1. Entender los conceptos clave de clasificación y regresión.
2. Aprender a navegar en KNIME.

Objetivo General

Introducir los fundamentos de la creación de modelos de clasificación y regresión utilizando herramientas sin código (KNIME).

Objetivo

Warm up

Bienvenid@s

Este es el primer paso en nuestro emocionante viaje hacia el descubrimiento del aprendizaje automático y la ciencia de datos, todo ello sin la necesidad de sumergirnos en complejos códigos de programación. En este módulo, vamos a explorar el corazón del aprendizaje automático: los modelos de clasificación y regresión.

Experimentando con herramientas sin código

Imaginen que tienen frente a ustedes una caja llena de frutas mezcladas; algunas son manzanas y otras son naranjas. Sin embargo, algunas están envueltas en papel de manera que no pueden verlas directamente. Alguien les pide que separen las manzanas de las naranjas. ¿Cómo lo harían? Piensen en las características que podrían usar para diferenciarlas sin mirarlas directamente. Este ejercicio metafórico es similar a lo que haremos con los datos: aprenderemos a clasificarlos y predecir sus características utilizando modelos de clasificación y regresión.

Breve ejercicio de calentamiento

La respuesta yace en una herramienta poderosa y accesible llamada KNIME Analytics Platform. A lo largo de este módulo, no solo descubrirán cómo KNIME nos permite realizar estas tareas de una manera visual e intuitiva, sino que también experimentarán de primera mano la creación de sus propios modelos. Nuestro objetivo es que terminen este módulo sintiéndose empoderados y emocionados por las posibilidades que el aprendizaje automático puede ofrecer, todo ello gracias a las herramientas sin código.

Pero... ¿Cómo podemos hacer esto sin programación?

Desarrollo

Bienvenida a KNIME

KNIME Analytics Platform se ha consolidado como una de las herramientas más poderosas y accesibles en el campo del análisis de datos y el aprendizaje automático. Gracias a su entorno de desarrollo integrado completamente visual, permite a usuarios de todos los niveles, desde principiantes hasta expertos, crear soluciones de Machine Learning complejas sin escribir una sola línea de código.

Tema 1: Introducción a KNIME Analytics Platform

KNIME es una plataforma integrada que combina diferentes componentes de análisis de datos y aprendizaje automático en un entorno visual fácil de usar.  Su interfaz de arrastrar y soltar permite a los usuarios seleccionar nodos específicos, cada uno representando una operación o análisis, y conectarlos para formar un flujo de trabajo completo de procesamiento de datos.

¿Qué es KNIME?

Automatizar flujos de trabajo

KNIME permite automatizar los procesos de análisis de datos, haciéndolos reproducibles y eficientes.

Visualizar datos

La plataforma ofrece una amplia gama de herramientas de visualización para explorar los datos y los resultados de los modelos de manera gráfica.

Realizar análisis estadístico y modelado predictivo

Con KNIME, es posible construir modelos de aprendizaje automático, como clasificación y regresión, sin escribir código.

Preparar y limpiar datos

Puedes manipular datos de varias fuentes, limpiarlos y transformarlos para el análisis.

¿Para qué sirve KNIME?

Características Principales

Comunidad y Extensibilidad

Con una amplia comunidad de usuarios y desarrolladores, KNIME se enriquece constantemente con nuevos nodos y funcionalidades.

Interfaz Gráfica de Usuario (GUI)

KNIME ofrece una GUI drag-and-drop (arrastrar y soltar), permitiendo a los usuarios construir workflows complejos de manera intuitiva.

Nodos

Cada paso en un workflow de KNIME es representado por un nodo, que puede realizar desde simples tareas de entrada/salida de datos hasta algoritmos avanzados de aprendizaje automático y procesamiento de datos.

La interfaz de KNIME está compuesta por varios elementos. Sin embargo, es importante que identifiques 5 áreas clave en la página principal de la plataforma:

1. Espacio de Trabajo (Workflow space)
2. Panel de Navegación Lateral
3. Panel de Nodos
4. Consola
5. Explorador de Nodos

Explorando la Interfaz de KNIME

Tema 2: Primeros Pasos en KNIME

Elementos de interfaz

5.- Explorador de Nodos

4.- Consola

3.- Panel de Nodos

1.- Espacio de Trabajo (Workflow space)

2.- Panel de Navegación Lateral

Participen en la comunidad

La comunidad de KNIME es una excelente fuente de conocimiento, donde pueden encontrar respuestas a sus preguntas y compartir sus experiencias.

Utilicen los ejemplos

KNIME incluye una amplia gama de flujos de trabajo de ejemplo que pueden explorar y aprender de ellos.

Experimenten

La mejor manera de aprender es mediante la prueba y error. No tengan miedo de experimentar con diferentes nodos y configuraciones.

Consejos para Principiantes

La clasificación es uno de los pilares fundamentales del Machine Learning, permitiéndonos predecir a qué categoría pertenece una observación basada en sus características. En este tema, darás el emocionante paso de construir tu primer modelo de clasificación utilizando KNIME, una herramienta que hace este proceso intuitivo y accesible. Pero ¿qué es exactamente un modelo de clasificación y para qué sirve? Vamos a desentrañar estos conceptos antes de sumergirnos en la práctica con KNIME Analytics Platform.

Introducción a la Clasificación

Tema 3: Creando tu Primer Modelo de Clasificación con KNIME

¿Qué es un Modelo de Clasificación?

Un modelo de clasificación es un tipo de modelo de aprendizaje automático diseñado para predecir la categoría o clase a la que pertenece una instancia o dato. Se alimenta de datos históricos (datos de entrenamiento) que ya están etiquetados con la clase correcta. El modelo aprende de estos datos y desarrolla una comprensión de cómo las características de los datos están relacionadas con su clasificación. Una vez entrenado, puede aplicarse a nuevos datos para predecir su clase basándose en las características aprendidas. Por ejemplo, en el sector de la salud, un modelo de clasificación puede ayudar a diagnosticar si un paciente tiene una enfermedad específica basándose en ciertos indicadores de salud; en el mundo financiero, puede identificar transacciones fraudulentas basándose en patrones de comportamiento; y en el ámbito social, podría clasificar opiniones de usuarios en categorías como positivas, negativas o neutrales.

Propósito de los Modelos de Clasificación

La clasificación tiene múltiples aplicaciones prácticas que abarcan casi todas las industrias y campos de estudio, sirviendo para:

• Automatización de decisiones: Los modelos pueden tomar decisiones precisas y rápidas en tareas repetitivas, aumentando la eficiencia y permitiendo a los humanos concentrarse en tareas de mayor nivel.
• Descubrimiento de insights: Al categorizar los datos, los modelos de clasificación revelan patrones y tendencias ocultas, proporcionando nuevas perspectivas sobre los datos.
• Mejora de la precisión en la toma de decisiones: Con modelos bien entrenados, las organizaciones pueden mejorar significativamente la precisión de sus decisiones, basándolas en análisis de datos rigurosos en lugar de intuiciones.

¿Para Qué Sirven los Modelos de Clasificación?

Los modelos de clasificación sirven para una amplia gama de aplicaciones prácticas en casi todas las industrias y campos de estudio. Algunos ejemplos incluyen:

• Medicina: Clasificar tumores como benignos o malignos basándose en características de imágenes médicas o datos de laboratorio.
• Finanzas: Identificar transacciones potencialmente fraudulentas analizando patrones de compra.
• Marketing: Segmentar clientes en grupos con intereses similares para campañas de marketing dirigidas.
• Tecnología: Distinguir entre diferentes tipos de contenido en redes sociales para recomendaciones personalizadas o moderación de contenido.

Pasos básicos de creación de modelos de clasificación

Paso 1: Preparación del Ambiente de KNIME. Inicia un nuevo proyecto y nómbralo para su identificación. Paso 2: Importación del Conjunto de Datos. Puedes utilizar el nodo "CSV Reader" disponible en el repositorio. Paso 3: Exploración y Preparación de Datos, para obtener estadísticas descriptivas de los datos y entender mejor su distribución. Paso 4: Construcción del Modelo de Clasificación a través de la aplicación de nodos. Paso 5: Evaluación del Modelo. El nodo "Scorer" proporciona una forma directa de medir el desempeño de un modelo.

Actividad 1

Vamos a la Actividad 01. Del  HANDOUT de la Sesión 01

Ahora, nos embarcaremos en la creación de nuestro primer modelo de clasificación utilizando KNIME, utilizando el conjunto de datos Iris como nuestro campo de pruebas. Este viaje no solo reforzará su comprensión teórica de los modelos de clasificación, sino que también proporcionará una experiencia práctica invaluable, poniendo estos conceptos en acción. Bienvenidos al primer paso hacia el dominio de la clasificación en el aprendizaje automático con KNIME.

Break (10 minutos)

La regresión, al igual que la clasificación, es uno de los pilares del aprendizaje automático. Mientras que la clasificación se centra en predecir etiquetas o categorías, la regresión se dedica a predecir valores numéricos continuos. Este tema está diseñado para guiarte en la creación de tu primer modelo de regresión utilizando KNIME Analytics Platform, enfocándonos en un problema de regresión simple para ilustrar los conceptos fundamentales y el flujo de trabajo.

Introducción a los Modelos de Regresión

Tema 4:  Creando tu Primer Modelo de Regresión con KNIME

Un modelo de regresión es un enfoque estadístico y de aprendizaje automático utilizado para modelar la relación entre una variable dependiente (a menudo denominada "objetivo") y una o más variables independientes (conocidas como "predictores"). El objetivo de la regresión es describir matemáticamente cómo los predictores influyen en la variable objetivo y usar esta descripción para hacer predicciones o estimaciones precisas. Por ejemplo, un modelo de regresión podría predecir el valor de venta de una casa (variable dependiente) basándose en su tamaño, ubicación, y año de construcción (variables independientes). A través de la regresión, se establece una ecuación que relaciona todas estas variables, permitiendo predecir el valor (numérico) de una casa dadas ciertas características.

¿Qué es un Modelo de Regresión?

Los modelos de regresión tienen una amplia gama de aplicaciones en casi todos los campos imaginables, incluyendo:

• Economía y Finanzas: Para predecir indicadores económicos, precios de acciones, tasas de interés, etc.
• Medicina: Para estimar la efectividad de tratamientos, la progresión de enfermedades, o resultados de pacientes basados en variables clínicas.
• Ingeniería: En la optimización de procesos, análisis de calidad, y control predictivo.
• Ciencias Sociales: Para entender el impacto de políticas públicas, demografía, educación, y más.
• Medio Ambiente: Para modelar fenómenos climáticos, predecir niveles de contaminación o rendimiento de cultivos.

Estos modelos no solo ayudan a entender mejor el mundo a nuestro alrededor, sino que también permiten tomar decisiones informadas y basadas en datos, lo cual es esencial en la era de la información.

¿Para Qué Sirven los Modelo de Regresión?

Pasos básicos de creación de modelos de regresión

Paso 1: Preparación del Ambiente de KNIME. Inicia un nuevo proyecto y nómbralo para su identificación. Paso 2: Importación del Conjunto de Datos Iris. Puedes utilizar el nodo "CSV Reader" disponible en el repositorio. Paso 3: Preparación de Datos. Examina, Limpia y Divide los datos Paso 4: Selecciona el modelo de regresión, arrastrando y soltando el nodo en el área de trabajo Paso 5: Entramiento y predicción Paso 6: Evaluación del Modelo. Se puede implementar el nodo "Numeric Scorer" o "Regression Predictor" para evaluar el rendimiento de tu modelo.

Actividad 2

Vamos a la Actividad 02.  del HANDOUT de la Sesión 01

Ahora, te guiaremos a través de la creación de tu primer modelo de regresión utilizando KNIME, desde la conceptualización hasta la implementación práctica. Este viaje proporcionará una base sólida en los principios de la regresión y abrirá la puerta a exploraciones más avanzadas en el Machine Learning.

Reforzamiento

1. La Importancia de los Modelos de Clasificación y Regresión
2. KNIME Como una Herramienta Poderosa
3. El Proceso de Creación de Modelos
4. Experimentación y Aprendizaje Continuo

Insights Clave para Recordar

Exploración de Recursos Adicionales

Participación en la Comunidad KNIME

Revisión Práctica

Estrategias de Reforzamiento

Quiz

¡Veamos qué tan rápido puedes responder! Ingresa por medio del QR O bien, desde la siguiente URL: https://www.menti.com/aleo484rvhfr

Mentimeter

Evaluación de aprendizajes

Wrap up

Felicidades por completar el Módulo 1 Logros Clave

• Introducción a KNIME: Hemos explorado la interfaz de KNIME y aprendido cómo esta poderosa herramienta facilita el aprendizaje automático sin necesidad de escribir código.
• Modelos de Clasificación: Creaste tu primer modelo de clasificación, capaz de identificar categorías o grupos basándose en características de los datos.
• Modelos de Regresión: Desarrollaste un modelo de regresión para predecir valores numéricos continuos, entendiendo cómo las variables independientes influyen en una variable dependiente.

Wrap Up de la sesión 1

Fomentar la Curiosidad

Al experimentar con diferentes nodos y configuraciones en KNIME, hemos abierto la puerta a la experimentación y la exploración continua en el campo del Machine Learning.

Adquirir Habilidades Prácticas

La práctica con KNIME ha reforzado nuestro aprendizaje, demostrando que es posible aplicar conceptos complejos del Machine Learning de manera accesible, visual y sin código.

Comprender la Aplicabilidad del Machine Learning

Hemos visto cómo los modelos de clasificación y regresión se aplican a problemas reales, desde la predicción del valor de una casa hasta la identificación de especies de flores.

Reflexiones y Aprendizaje