Aprenentatge automàtic

Com aprèn un model a partir de dades i com se sap si el que ha après serveix. És el primer bloc tècnic: els que vénen després hi construeixen a sobre. Els LLMs són xarxes neuronals que treballen amb embeddings (LLMs i IA generativa), i portar un model a producció pressuposa saber-lo entrenar i avaluar (Desplegament i operació). Si et preguntes quan val la pena entrenar un model propi i quan n’hi ha prou amb un LLM, consulta LLM vs. ML tradicional.

Com llegir aquests documents

Els documents segueixen l’ordre en què les idees es necessiten. L’avaluació no és un pas a part: cada document introdueix la part que el seu model fa necessària, i el document Avaluació de models ho recull tot junt per consultar-ho.

1. Aprendre d’exemples. L’aprenentatge supervisat presenta les idees que tornaran a tot arreu: un model que ajusta uns paràmetres per equivocar-se tan poc com pugui, la funció de cost i el descens del gradient. Comença amb la regressió, on també veurem com saber si un model és bo: separar dades de test, les primeres mètriques i el sobreajustament.
2. Predir categories. La classificació aplica les mateixes idees per predir una categoria: la regressió logística per a dues classes, la softmax per a més, i com avaluar un classificador amb la matriu de confusió.
3. Models més potents. Les xarxes neuronals apilen capes de neurones semblants a la regressió logística i aprenen representacions internes de les dades. Aquí apareixen les tècniques per evitar el sobreajustament mentre s’entrena.
4. Representar per significat. Els embeddings fan servir aquesta capacitat de les xarxes per convertir textos, usuaris o productes en vectors comparables. És la base de la cerca semàntica i del RAG.
5. Dades en taules. Els arbres de decisió construeixen regles explícites i, combinats en Random Forest o gradient boosting, són l’opció per defecte amb dades tabulars. Aquí es treballa la validació creuada i la cerca d’hiperparàmetres.
6. Sense etiquetes. L’aprenentatge no supervisat busca estructura on no hi ha cap resposta correcta: grups, anomalies, menys dimensions. La detecció d’anomalies amb Isolation Forest fa servir arbres.

flowchart LR
    S["Aprenentatge supervisat"] --> C["Classificació"]
    C --> N["Xarxes neuronals"] --> E["Embeddings"]
    C --> T["Arbres de decisió"]
    C --> U["No supervisat"]
    T -.->|"Isolation Forest"| U
    E -.->|"clustering de textos"| U

Les fletxes contínues marquen què cal haver llegit abans. Les discontínues indiquen que només una secció en depèn. Avaluació de models es consulta des de qualsevol document.

Nucli

• Aprenentatge supervisat: regressió lineal, funció de cost i descens del gradient, i com saber si el model és bo
• Classificació: regressió logística, classificació multiclasse i com avaluar un classificador
• Xarxes neuronals: de la neurona a les xarxes multicapa, entrenament amb PyTorch i com evitar el sobreajustament
• Embeddings i cerca vectorial: representar objectes com a vectors, mesurar-ne la similitud i cercar-los ràpidament
• Arbres de decisió: classificació amb particions successives de les dades, validació creuada, i els conjunts d’arbres
• Aprenentatge no supervisat: clustering, detecció d’anomalies i reducció de dimensionalitat sense etiquetes

Consulta

• Avaluació de models: com separar les dades, quines mètriques fer servir i com diagnosticar un model que falla. Cada idea s’introdueix al document del model on cal per primer cop; aquí es recull tota junta.

Ampliació

Material opcional que no forma part del recorregut principal, recollit a Ampliació:

• Els documents d’ampliació de Xarxes neuronals i d’Aprenentatge no supervisat
• K-veïns més propers: predir a partir dels exemples d’entrenament més semblants
• Recomanadors: predir preferències d’usuaris amb filtrat basat en contingut i col·laboratiu
• Aprenentatge per reforç i Aprenentatge per reforç profund: agents que aprenen a partir de recompenses

Després

El bloc següent és LLMs i IA generativa, que parteix de les xarxes neuronals i els embeddings. Si el que necessites és portar un model a producció, la part de ML de Desplegament i operació només pressuposa aquest bloc.

La Guia pràctica recull aquests continguts en forma de decisions: quin enfocament triar per a cada problema i com estructurar un projecte, del problema al desplegament.

Itinerari curt

Si no pots llegir-ho tot, aquests quatre documents en ordre donen una base completa per entrenar i avaluar un primer model, consultant Avaluació de models quan calgui:

Aprenentatge supervisat → Classificació → Xarxes neuronals → Arbres de decisió