Regression and AI in practice · Regresión e IA en la práctica
| English | Español |
|---|---|
| regression/rɪˈɡreʃn/ | regresión |
| classification/ˌklæsɪfɪˈkeɪʃn/ | clasificación |
| linear regression/ˈlɪnɪə rɪˈɡreʃn/ | regresión lineal |
| OCR/ˌəʊ siː ˈɑː/ | OCR |
Predicting a number, not a name
- Ask a model "is this email spam?" and it must choose from a fixed set of answers. Ask it "what will this house sell for?" and there is no set to choose from: the answer is a number, and being out by a thousand pounds is nearly right.
- Those are two different tasks, and mixing them up is the commonest mistake in this topic. Both are supervised learning; only the shape of the answer differs.
- This lesson is regression 回归 against classification 分类, how linear regression 线性回归 chooses its line, and how real products chain trained models into a pipeline.
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.
Regression and classification
- Classification predicts a category from a fixed set: cat or dog, spam or not spam, which of ten digits.
- Regression predicts a number on a continuous scale: a house price, tomorrow's temperature, how long a journey will take.
- Both are supervised: both learn from labelled examples. The choice between them is decided by one question: is the answer a label or a number?
- The distinction changes how you measure success. A classifier is right or wrong; a regressor is a certain distance out, which is why their loss functions differ.
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: · La diferencia entre regresión y clasificación es que la regresión predice:
Regression outputs a continuous number (price, temperature); classification outputs a category. · La regresión produce un número continuo (precio, temperatura); la clasificación produce una categoría.
Regression predicts a continuous number (a price, a temperature), while classification predicts a category (cat vs dog). · La regresión predice un número continuo (un precio, una temperatura), mientras que la clasificación predice una categoría (gato vs perro).
Number out = regression; category out = classification — the two main kinds of supervised prediction. · Salida numérica = regresión; salida categorizada = clasificación: los dos tipos principales de predicción supervisada.
Worked example: which task is which
- Predicting which of five customer types a shopper belongs to. Classification: the answer is one of a fixed set of categories.
- Predicting how much that shopper will spend next month. Regression: the answer is a number, and being close counts as nearly right.
- Predicting whether a machine will fail in the next week. Classification: yes or no. Predicting how many days until it fails. Regression.
- The same underlying data can feed either. Read the question being asked, not the subject matter.
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. · Asocia cada tarea de predicción con su tipo.
The same data can feed either. Read the question: a label from a fixed set, or a number on a scale. · Los mismos datos pueden servir para cualquiera. Lee la pregunta: una etiqueta de un conjunto fijo, o un número en una escala.
Linear regression
- Linear regression fits a straight line, or a flat surface when there are several inputs:
- The coefficients are chosen to minimise the sum of the squared errors between the line's predictions and the actual training values.
- Squared, for two reasons the exam accepts: errors above and below the line then cannot cancel out, and a large error is penalised much more than several small ones.
The line that leaves the least total squared distance
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 · Ajuste de una línea de regresión
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. · Arrastra los controles. La regresión lineal traza la línea recta que hace que las distancias al cuadrado a los puntos de datos sean lo más pequeñas posible — luego predice un número para cualquier entrada nueva.
Linear regression chooses its coefficients to: · La regresión lineal elige sus coeficientes para:
It fits the line/hyperplane that makes the squared differences from the data points as small as possible. · Se ajusta la línea/hiperplano que hace que las diferencias al cuadrado desde los puntos de datos sean lo más pequeñas posible.
Why does linear regression minimise the sum of the SQUARED errors rather than the errors themselves? · ¿Por qué la regresión lineal minimiza la suma de los ERRORES AL CUADRADO en lugar de los errores mismos?
Both reasons are accepted. Without squaring, a line could have a huge error above and below and still score zero. · Ambas razones son aceptadas. Sin elevar al cuadrado, una línea podría tener un error enorme por encima y por debajo y aún así obtener cero.
When a straight line is the right model
- Use linear regression when the relationship looks roughly linear and you want a model a human can read: each coefficient says how much that input matters, and in which direction.
- When the data curves, the same idea still applies with a different model: polynomial regression, a decision tree, or a neural network. In every case the recipe is the same, choose a model, define a loss, minimise it.
- That recipe is what connects this lesson to the last one: gradient descent is simply how the minimising is done when there is no formula for the answer.
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.
AI in a real product
- Real systems rarely use one model. They chain several trained models into a pipeline, each doing one step.
- Face identification at a door: a camera captures a face, image recognition converts it into a numerical representation, and that is matched against the representations of registered people.
- Reading a sign aloud for a traveller: image recognition locates the text, OCR 光学字符识别 turns the pixels into characters, machine translation converts the words, and text-to-speech produces the audio.
- The exam gives a scenario and asks which models are used, in order. Name the stage and what it produces for the next one.
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. · Asocia cada idea de IA con lo que significa.
Training fits the model once; inference is the quick prediction each time a user interacts. · El entrenamiento ajusta el modelo una vez; la inferencia es la predicción rápida cada vez que un usuario interactúa.
A "read a sign aloud" feature typically chains which models? · Una función de "leer un cartel en voz alta" típicamente encadena qué modelos?
Several trained models form a pipeline: find the text, extract characters, translate, then speak. · Varios modelos entrenados forman una tubería: encontrar el texto, extraer caracteres, traducir, luego hablar.
Put the stages of an app that reads a foreign sign aloud in order. · Pon las etapas de una aplicación que lee un cartel extranjero en voz alta en orden.
Several trained models chained together, each handing its output to the next. Name the stage and what it produces. · Varios modelos entrenados encadenados juntos, cada uno entregando su salida al siguiente. Nombra la etapa y lo que produce.
Worked example: training against inference
- A phone app recognises a plant from a photograph instantly, yet training its model took weeks on many machines. Explain why.
- Training repeatedly runs forward and backward passes over a very large labelled dataset, adjusting millions of weights over many epochs. That is what took weeks.
- Inference, using the trained model, is a single forward pass through a network whose weights are now fixed: multiply, add, activate, layer by layer, once.
- The intelligence lives in the learned weights, which is why the finished model is small enough and fast enough to ship on a phone.
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. · Usar un modelo entrenado para hacer una predicción requiere solo un único paso ____.
Training repeats forward and backward passes over a huge dataset; inference runs the fixed weights once, which is why it is instant. · El entrenamiento repite pasos hacia adelante y hacia atrás sobre un gran conjunto de datos; la inferencia ejecuta los pesos fijos una vez, por eso es instantáneo.
Marks that slip away
- Classification gives a category, regression gives a number. Both are supervised; that is not the difference.
- Linear regression minimises the sum of squared errors, not "the total distance". Say squared, and say why.
- A pipeline answer must give the stages in order and say what each hands to the next.
- Training is repeated forward and backward passes; inference is one forward pass. Do not describe training when the question asks about use.
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.
You've got it
- classification predicts a category, regression predicts a number; both are supervised, and the question's answer shape decides which
- linear regression fits $y = m_1x_1 + \ldots + c$ by minimising the sum of squared errors, so errors cannot cancel and large ones are penalised heavily
- curved data needs another model, but the recipe is unchanged: choose a model, define a loss, minimise it
- real products chain models: image recognition, OCR, translation and text-to-speech; training is many forward and backward passes, inference is one forward pass
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