Regression and AI in practice
Introducido| English | Significado |
|---|---|
| regression/rɪˈɡreʃn/ | regresión |
| classification/ˌklæsɪfɪˈkeɪʃn/ | clasificación |
| linear regression/ˈlɪnɪə rɪˈɡreʃn/ | regresión lineal |
| OCR/ˌəʊ siː ˈɑː/ | reconocimiento óptico de caracteres |
Predecir un número, no un nombre
- Pide a un modelo "¿es este correo spam?" y debe elegir de un conjunto fijo de respuestas. Pídele "¿a cuánto se venderá esta casa?" y no hay un conjunto del que elegir: la respuesta es un número, y estar en miles de libras de diferencia se considera casi correcto.
- Son dos tareas diferentes, y confundirlas es el error más común en este tema. Ambas son aprendizaje supervisado; solo difiere la forma de la respuesta.
- Esta lección trata sobre regresión frente a clasificación, cómo la regresión lineal elige su línea y cómo los productos reales encadenan modelos entrenados en una tubería.
Regresión y clasificación
- La clasificación predice una categoría de un conjunto fijo: gato o perro, spam o no spam, cuál de diez dígitos.
- La regresión predice un número en una escala continua: el precio de una casa, la temperatura de mañana, cuánto tardará un viaje.
- Ambas son supervisadas: ambas aprenden de ejemplos etiquetados. La elección entre ellas se decide mediante una sola pregunta: ¿la respuesta es una etiqueta o un número?
- La distinción cambia cómo mides el éxito. Un clasificador está bien o mal; un regresor tiene una cierta distancia de error, por eso sus funciones de pérdida difieren.
The difference between regression and classification is that regression predicts:
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Regression outputs a continuous number (price, temperature); classification outputs a category.
Regression predicts a continuous number (a price, a temperature), while classification predicts a category (cat vs dog).
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Number out = regression; category out = classification — the two main kinds of supervised prediction.
Ejemplo resuelto: ¿qué tarea es cuál?
- Predecir a qué tipo de cliente pertenece un comprador. Clasificación: la respuesta es una de un conjunto fijo de categorías.
- Predecir cuánto gastará ese comprador el próximo mes. Regresión: la respuesta es un número, y estar cerca cuenta como casi correcto.
- Predecir si una máquina fallará en la próxima semana. Clasificación: sí o no. Predecir cuántos días faltan para que falle. Regresión.
- Los mismos datos subyacentes pueden alimentar a cualquiera. Lee la pregunta que se hace, no la materia del tema.
Match each prediction task to its kind.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
The same data can feed either. Read the question: a label from a fixed set, or a number on a scale.
Regresión lineal
- La regresión lineal ajusta una línea recta, o una superficie plana cuando hay varias entradas:
- Los coeficientes se eligen para minimizar la suma de los errores al cuadrado entre las predicciones de la línea y los valores de entrenamiento reales.
- Al elevarlos al cuadrado, por dos razones que acepta el examen: los errores por encima y por debajo de la línea ya no pueden cancelarse, y un gran error se penaliza mucho más que varios pequeños.

La línea que deja la menor distancia total al cuadrado
Fitting a regression line
Drag the controls. Linear regression draws the straight line that makes the squared distances to the data points as small as possible — then it predicts a number for any new input.
Linear regression chooses its coefficients to:
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
It fits the line/hyperplane that makes the squared differences from the data points as small as possible.
Why does linear regression minimise the sum of the SQUARED errors rather than the errors themselves?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Both reasons are accepted. Without squaring, a line could have a huge error above and below and still score zero.
Cuándo una línea recta es el modelo adecuado
- Usa regresión lineal cuando la relación parece aproximadamente lineal y quieres un modelo legible para humanos: cada coeficiente indica cuánto importa esa entrada y en qué dirección.
- Cuando los datos tienen curvas, la misma idea sigue aplicándose con un modelo diferente: regresión polinómica, un árbol de decisión o una red neuronal. En todos los casos la receta es la misma: elige un modelo, define una función de pérdida, minimízala.
- Esa receta es lo que conecta esta lección con la anterior: el descenso de gradiente es simplemente cómo se realiza la minimización cuando no hay fórmula para la respuesta.
IA en un producto real
- Los sistemas reales rara vez usan un solo modelo. Encadenan varios modelos entrenados en una tubería, cada uno realizando un paso.
- Identificación facial en una puerta: una cámara captura un rostro, el reconocimiento de imágenes lo convierte en una representación numérica, y esta se compara contra las representaciones de personas registradas.
- Leer un cartel en voz alta para un viajero: el reconocimiento de imágenes localiza el texto, el OCR (reconocimiento óptico de caracteres) convierte los píxeles en caracteres, la traducción automática convierte las palabras, y la síntesis de voz produce el audio.
- El examen da un escenario y pide qué modelos se usan, en orden. Nombra la etapa y lo que produce para la siguiente.
Match each AI idea to what it means.
Dificultad 2/5 · 140 monedas + un pequeño bono en el primer intento de hoy
Training fits the model once; inference is the quick prediction each time a user interacts.
A "read a sign aloud" feature typically chains which models?
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Several trained models form a pipeline: find the text, extract characters, translate, then speak.
Put the stages of an app that reads a foreign sign aloud in order.
Dificultad 3/5 · 200 monedas + un pequeño bono en el primer intento de hoy
Several trained models chained together, each handing its output to the next. Name the stage and what it produces.
Ejemplo resuelto: entrenamiento frente a inferencia
- Una aplicación móvil reconoce una planta a partir de una fotografía instantáneamente, pero entrenar su modelo tomó semanas en muchas máquinas. Explica por qué.
- El entrenamiento ejecuta repetidamente pasadas hacia adelante y hacia atrás sobre un conjunto de datos etiquetado muy grande, ajustando millones de pesos durante muchas épocas. Eso fue lo que tomó semanas.
- La inferencia, usando el modelo entrenado, es una única pasada hacia adelante a través de una red cuyos pesos ya están fijos: multiplicar, sumar, activar, capa por capa, una sola vez.
- La inteligencia reside en los pesos aprendidos, por eso el modelo final es lo suficientemente pequeño y rápido como para enviarse a un teléfono.
Using a trained model to make a prediction requires only a single ____ pass.
Dificultad 1/5 · 100 monedas + un pequeño bono en el primer intento de hoy
Training repeats forward and backward passes over a huge dataset; inference runs the fixed weights once, which is why it is instant.
Puntos que se pierden fácilmente
- La clasificación da una categoría, la regresión da un número. Ambas son supervisadas; esa no es la diferencia.
- La regresión lineal minimiza la suma de los errores al cuadrado, no "la distancia total". Di 'al cuadrado' y explica por qué.
- Una respuesta sobre tubería debe dar las etapas en orden y decir qué entrega cada una a la siguiente.
- El entrenamiento consiste en pasadas repetidas hacia adelante y hacia atrás; la inferencia es una única pasada hacia adelante. No describas el entrenamiento cuando la pregunta trate sobre el uso.
Lo has entendido
- clasificación predice una categoría, regresión predice un número; ambas son supervisadas, y la forma de la respuesta de la pregunta decide cuál
- regresión lineal ajusta $y = m_1x_1 + \ldots + c$ minimizando la suma de los errores al cuadrado, para que los errores no se cancele y los grandes sean fuertemente penalizados
- los datos curvos necesitan otro modelo, pero la receta no cambia: elige un modelo, define una pérdida, minimízala
- los productos reales encadenan modelos: reconocimiento de imágenes, OCR, traducción y síntesis de voz; el entrenamiento son muchas pasadas hacia adelante y hacia atrás, la inferencia es una única pasada hacia adelante