Prueba de una hipótesis

En el ejemplo dado, ¿cuál es la hipótesis nula específica?

- El modelo no es más eficaz en el diagnóstico del cáncer que un médico humano.

- El modelo es más eficaz en el diagnóstico del cáncer que un médico humano.

- El modelo tiene exactamente el mismo nivel de efectividad que un médico humano en el diagnóstico de cáncer.

- El modelo es menos eficaz en el diagnóstico del cáncer que un médico humano.

¿Qué sugiere esto sobre la hipótesis nula?

- Los profesionales no pueden confiar en rechazar la hipótesis nula.

- Los profesionales pueden confiar en rechazar la hipótesis nula.

- Los profesionales pueden confiar en aceptar la hipótesis nula.

- Los profesionales no pueden rechazar ni dejar de rechazar la hipótesis nula.

¿Qué sugiere esto acerca de cómo podría aparecer la media dentro de estos intervalos de confianza?

- El 5 % de los pacientes con cáncer tienen entre 54 y 62 años.

- El 95 % de los pacientes con cáncer tienen entre 54 y 62 años.

- Existe un 95 % de probabilidades de que la media de la población esté entre los 54 y los 62 años.

- El 95 % de los intervalos de confianza contienen la media de la población.

¿Qué tipo de prueba de hipótesis sería la más adecuada en esta situación?

- Prueba de chi cuadrado

- Prueba t

- Prueba z

- prueba A/B

¿Por qué es tan importante probar una hipótesis a través de un enfoque de diseño experimental para el proceso de aprendizaje automático?

Las respuestas pueden variar, pero como su nombre lo indica, le permite experimentar con sus modelos para identificar y producir de manera efectiva el mejor modelo para sus necesidades. Probar una hipótesis puede aumentar la cantidad de confianza que tiene que un modelo logre sus objetivos.

Resumen

¿Qué factores cree que son más importantes a la hora de seleccionar un algoritmo de aprendizaje automático?

Las respuestas variarán. Algunos estudiantes pueden poner un mayor énfasis en la habilidad final de un modelo. Sin embargo, la mayoría de los estudiantes notarán los límites prácticos del tiempo y los recursos, por lo que en su lugar pueden priorizar el tiempo de entrenamiento. Algunos estudiantes también pueden estar preocupados por lo explicable que será un modelo, por lo que es posible que quieran buscar un algoritmo más simple que evite el problema de la caja negra. Otro factor importante en el que los estudiantes pueden enfocarse es si el algoritmo está realmente disponible en una herramienta que ya conocen o planean aprender.

Piense en un problema que le interese resolver con el aprendizaje automático. ¿Cómo podría redefinir ese problema como una hipótesis que puede probar?

Las respuestas variarán. La naturaleza de la hipótesis dependerá del problema que el estudiante esté tratando de resolver. Un ejemplo es el problema de crear compañeros de IA efectivos en un videojuego cooperativo. La hipótesis podría ser que un modelo de aprendizaje automático guíe el comportamiento del compañero de IA de tal manera que sea mucho más capaz de ayudar al jugador a lograr la victoria que un compañero de IA programado para comportarse al azar o programado para simplemente llevar a cabo instrucciones predefinidas. Incluso puede apuntar más alto y plantear la hipótesis de que su modelo es capaz de engañar a los jugadores haciéndoles creer que su compañero de IA es en realidad una persona real. En última instancia, sin importar el escenario, los estudiantes deben pensar en la mejor manera de resolver un problema con el aprendizaje automático que sin él; donde "mejor" es una cualidad específica y mensurable.