Sesión 19 de Junio AWS IV¶
Recursos¶
- Certificación AWS https://aws.amazon.com/certification/certified-machine-learning-engineer-associate/?ch=sec&sec=rmg&d=1
-
Certificación Google https://cloud.google.com/learn/certification/machine-learning-engineer
-
Certificación Microsoft https://learn.microsoft.com/es-es/credentials/certifications/azure-ai-engineer/?practice-assessment-type=certification
- Recursos laborales
- https://jobs.careers.microsoft.com
- https://www.epam.com/
- https://torre.ai/es
- https://career.globant.com
Modelado de temas¶
¿Qué es?
¿Para qué se usa?
Encontrar temas en una gran colección de documentos
- Clasificación de documentos
- Etiquetado automático (agilizar búsquedas)
- Creación de resúmenes de documentos
- Recuperación de información
- Recomendaciones de contenido basadas en los temas
¿Cómo hacemos modelado de temas?
- Se limpian los datos
- Se eliminan las stepwords
- Se lematiza
- Se vectoriza/tokeniza
- Se envían al modelo el cual interpreta los vectores y clasifica por temas, esto es un proceso de clasificación por entrenamiento no supervisado
¿Que opciones hay?
- API asíncronos como Amazon Comprehend
- Algoritmos como LDA/NTM entre otros
¿Cómo medimos el performance de los algoritmos?
- Perplexidad: Nos mide la probabilidad de pertenece de un documento a un tema
- Coherencia: Habla de la similaridad de las palabras en un tema
Se busca baja perplexidad que indica que el tema se ajusta al documento y alta coherencia que indica que los temas en el documento son similares, tenemos una categoría clara el documento.