Perfilado de sección

  • Con los datos limpios, introduciremos las métricas de evaluación de modelos y el uso de bibliotecas fundamentales como NumPy, Pandas y Matplotlib. No basta con que un algoritmo ejecute una predicción; como ingenieros de la Universidad de Concepción, debemos cuantificar rigurosamente su eficacia.

    Abordaremos las principales métricas de evaluación de modelos: precisión, recall (sensibilidad) y F1-score. Entender cuándo priorizar la reducción de falsos positivos frente a los falsos negativos es crítico.

    Estas herramientas nos permitirán construir los cimientos de arquitecturas predictivas sólidas. Solo un modelo que puede ser medido con exactitud puede ser mejorado y eventualmente integrado en una arquitectura de IA general o de Vida Artificial.

    Video MATRIZ DE CONFUSIÓN y MÉTRICAS DE CLASIFICACIÓN con Scikit-Learn

    •  Introducción a MATPLOTLIB | Lección 1 curso "Matplotlib para Ciencia de Datos y Machine Learning"

    • Actividad (Tarea):

      Descarga el conjunto de datos de Supervivientes del Titanic: Titanic Dataset (CSV). En Google Colab, utiliza Pandas para cargar los datos y scikit-learn para dividir el set en entrenamiento y prueba. Entrena un modelo básico de clasificación (ej. Regresión Logística) para predecir la supervivencia y utiliza Matplotlib o Seaborn para graficar la Matriz de Confusión resultante.

    • Foro:

      Si estás desarrollando un software para diagnosticar una enfermedad altamente contagiosa, ¿prefieres optimizar la Precisión (Precision) o la Sensibilidad (Recall)? Justifica tu respuesta.