Structuring Machine Learning Projects

Lo que cubre

Tercer curso de la especialización en Deep Learning de DeepLearning.AI. Cambio de registro respecto a los dos primeros: ya no se trata de matemáticas, sino de ingeniería y juicio —cómo dirigir un proyecto de ML para que avance en la dirección correcta y no se quede atascado optimizando lo que no importa.

Lo que aprendí

• Partición train/dev/test: cómo dividir los datos para que el conjunto de desarrollo refleje el objetivo real del producto.
• Análisis de errores: priorizar dónde invertir esfuerzo según el impacto en la métrica, no según la intuición.
• Métricas orientadas a objetivos: definir una única métrica de optimización y métricas satisficing para restricciones.
• Distribución heterogénea: qué hacer cuando los datos de entrenamiento y los de producción vienen de distribuciones distintas.
• Toma de decisiones: cuándo cambiar de arquitectura, de datos o de métrica, y cómo comunicarlo a un equipo.

Por qué importa

La mayoría de los proyectos de ML no fracasan por matemáticas, sino por dirección. Este curso da el marco para priorizar bien —una habilidad que se traslada a cualquier proyecto de IA, no solo deep learning.

Institución

DeepLearning.AI — especialización fundada por Andrew Ng.