En la práctica, los datos de capacitación disponibles y el problema a resolver decidirían el algoritmo de aprendizaje automático en lugar de lo contrario.
Sin embargo, suponiendo que desee probar un algoritmo de aprendizaje automático, responder las siguientes preguntas puede ayudar a comenzar:
- ¿El algoritmo es supervisado, no supervisado o semi-supervisado? Por ejemplo, un algoritmo supervisado requeriría datos de entrenamiento etiquetados.
- ¿Qué suposiciones hace el algoritmo sobre los datos de entrenamiento? Por ejemplo, un algoritmo puede funcionar solo con variables continuas, o funcionar mejor si las variables involucradas son independientes.
- ¿Cuántas variables puede manejar el algoritmo? Por ejemplo, algunos algoritmos pueden no funcionar bien si el número de dimensiones para un punto (una muestra de datos de entrenamiento) involucrado es grande.
- ¿Están sobrevalorados los algoritmos, en comparación con la escritura de software limpio, escalable y de fácil mantenimiento? Sé mi parte de algoritmos y acerté mis entrevistas. Pero en la industria, se trata de cumplir con los requisitos de software y administrar la base del código.
- ¿Cuál es el mejor libro para aprender algoritmos genéticos? ¿Por qué?
- ¿Cuál es el algoritmo de tiempo polinómico de peor caso de más rápido crecimiento utilizado en la práctica?
- Cómo escribir un buen algoritmo
- ¿Qué algoritmo de ML debo usar para una aplicación de selección de automóviles basada en Tinder?
