00-presentacion.utf8

background-image: url(img/portada.png)
background-size: cover
class: animated slideInRight fadeOutLeft, middle

# Introducción a Machine Learning con `tidymodels`

### 1º Congreso Latinoamericano de Mujeres en Bioinformática y Ciencia de Datos

---

## Equipo

---

## Material de este tutorial 
<br><br>
## 🌎 https://ml-tidy-wibds.netlify.app/

<br><br>
## <svg style="height:0.8em;top:.04em;position:relative;fill:black;" viewBox="0 0 496 512"><path d="M165.9 397.4c0 2-2.3 3.6-5.2 3.6-3.3.3-5.6-1.3-5.6-3.6 0-2 2.3-3.6 5.2-3.6 3-.3 5.6 1.3 5.6 3.6zm-31.1-4.5c-.7 2 1.3 4.3 4.3 4.9 2.6 1 5.6 0 6.2-2s-1.3-4.3-4.3-5.2c-2.6-.7-5.5.3-6.2 2.3zm44.2-1.7c-2.9.7-4.9 2.6-4.6 4.9.3 2 2.9 3.3 5.9 2.6 2.9-.7 4.9-2.6 4.6-4.6-.3-1.9-3-3.2-5.9-2.9zM244.8 8C106.1 8 0 113.3 0 252c0 110.9 69.8 205.8 169.5 239.2 12.8 2.3 17.3-5.6 17.3-12.1 0-6.2-.3-40.4-.3-61.4 0 0-70 15-84.7-29.8 0 0-11.4-29.1-27.8-36.6 0 0-22.9-15.7 1.6-15.4 0 0 24.9 2 38.6 25.8 21.9 38.6 58.6 27.5 72.9 20.9 2.3-16 8.8-27.1 16-33.7-55.9-6.2-112.3-14.3-112.3-110.5 0-27.5 7.6-41.3 23.6-58.9-2.6-6.5-11.1-33.3 2.6-67.9 20.9-6.5 69 27 69 27 20-5.6 41.5-8.5 62.8-8.5s42.8 2.9 62.8 8.5c0 0 48.1-33.6 69-27 13.7 34.7 5.2 61.4 2.6 67.9 16 17.7 25.8 31.5 25.8 58.9 0 96.5-58.9 104.2-114.8 110.5 9.2 7.9 17 22.9 17 46.4 0 33.7-.3 75.4-.3 83.6 0 6.5 4.6 14.4 17.3 12.1C428.2 457.8 496 362.9 496 252 496 113.3 383.5 8 244.8 8zM97.2 352.9c-1.3 1-1 3.3.7 5.2 1.6 1.6 3.9 2.3 5.2 1 1.3-1 1-3.3-.7-5.2-1.6-1.6-3.9-2.3-5.2-1zm-10.8-8.1c-.7 1.3.3 2.9 2.3 3.9 1.6 1 3.6.7 4.3-.7.7-1.3-.3-2.9-2.3-3.9-2-.6-3.6-.3-4.3.7zm32.4 35.6c-1.6 1.3-1 4.3 1.3 6.2 2.3 2.3 5.2 2.6 6.5 1 1.3-1.3.7-4.3-1.3-6.2-2.2-2.3-5.2-2.6-6.5-1zm-11.4-14.7c-1.6 1-1.6 3.6 0 5.9 1.6 2.3 4.3 3.3 5.6 2.3 1.6-1.3 1.6-3.9 0-6.2-1.4-2.3-4-3.3-5.6-2z"/></svg> https://bit.ly/ml-wibds

---

## ¿Qué es modelar?

.bg-near-white.b--purple.ba.bw2.br3.shadow-5.ph4.mt5[
### Es el proceso de desarrollo de una herramienta matemática que genera una predicción precisa. 
### Entrenamos un modelo para encontrar esa predicción precisa. <sup>*</sup>
]

## Aprendizaje Automático 🤖

.bg-near-white.b--purple.ba.bw2.br3.shadow-5.ph4.mt5[
### El aprendizaje automático (ML)-también llamado aprendizaje estadístico- es un subcampo dentro de la inteligencia artificial (IA) donde *los algoritmos "aprenden" patrones en los datos para realizar una tarea específica.*

]

---

## Conceptos Importantes 💡

* __Muestra, punto, observación, instancia__ se refiere a una unidad de análisis.
<br>

* __Set de entrenamiento__ son los datos utilizados para el modelado. 
<br>

* __Set de prueba__ son los datos utilizados para medir el desempeño del modelo, entre un conjunto de candidatos. 
<br>

* __Atributos, predictores, variables independientes o descriptores__ son los datos de entrada para la ecuación de predicción.
<br> 
* __Salida, variable dependiente, variable respuesta, clase, o "target"__ es la cantidad a ser predicha. 
<br>

* __Datos categóricos, también conocidos como nominales o atributos__ toman valores específicos que no tienen escala. Ejemplo: bueno/malo, rojo/azul, etc. 
<br>
* __Datos continuos__ son a base de escalas numéricas. El costo de un producto, la presión sanguínea, etc.

---

## Aprendizaje automático e IA

---

## El aprendizaje automático y otros campos relacionados

Fuente: [link](https://ldi.upenn.edu/sites/default/files/Introduction-to-Machine-Learning.pdf)
---

## Aplicaciones en la biología molecular

### [AlphaFold: plegamiento de proteínas](https://deepmind.com/blog/article/AlphaFold-Using-AI-for-scientific-discovery)

#### [De novo generation of hit-like molecules from gene expression signatures using artificial intelligence](https://www.nature.com/articles/s41467-019-13807-w)

---

### Otros hitos en el campo de la IA 🧠

---

## Tipos de aprendizaje
        
<img src="img/ml.png" width="90%" style="display: block; margin: auto;" />

---

## Aprendizaje supervisado

---

## Bias - Variance tradeoff

*Para una introducción visual ver: http://www.r2d3.us/visual-intro-to-machine-learning-part-2/*

---

## Entrenamiento, validación y testeo

---
## Resampleo

El resampleo se utiliza en ML para estimar el desempeño de un modelo.

---

## Validación cruzada

---

## Bootstraping

.bg-near-white.b--purple.ba.bw2.br3.shadow-5.ph4.mt5[
### Tanto validación cruzada como bootstrap son técnicas de resampleo (resampling).
### La diferencia radica en que la validación cruzada no es con reemplazo mientras que bootstrap sí lo es. 
]

---
# Árboles de decisión

.footnote[Imagen tomada de https://www.packtpub.com/big-data-and-business-intelligence/machine-learning-r-second-edition]

---

## Hiperparámetro

.bg-near-white.b--purple.ba.bw2.br3.shadow-5.ph4.mt5[
### Un hiperparámetro es una propiedad de un algoritmo de aprendizaje. Este valor influencia la forma en que trabaja el algoritmo. Estos valores no son aprendidos por el algoritmo desde los datos. Deben ser seteados antes de correr el algoritmo por el analista. 
]

---

## Hiperparámetros de 
## árboles de decisión

Establezca n mínimo para dividir en cualquier nodo.

Es un método de parada temprana. Se utiliza para evitar el sobreajuste.

]

Pone un límite a la profundidad máxima del árbol.

Un método para detener el algoritmo. Se utiliza para evitar el sobreajuste.

]

Agrega un costo o penalización a los errores de árboles más complejos.

Es una forma de poda. Utilizado para evitar el sobreajuste (overfitting).

]

---

# Random Forest

---

# Bootstraping

---

# Bagging
 
<img src="img/random-forest3.png" width="100%" style="display: block; margin: auto;" />

---
### Veamos que sucede al clasificar el conjunto de testeo
 
<img src="img/random-forest4.png" width="100%" style="display: block; margin: auto;" />

---
### Voto mayoritario (majority vote)
 
<img src="img/random-forest5.png" width="100%" style="display: block; margin: auto;" />

---

### Hiperparámetros de 
### random forest

### mtry
* El número de predictores a muestrearse en cada split de árbol

### min_n
* el número de observaciones necesarias para seguir dividiendo nodos

---
# Métricas 📐

.bg-near-white.b--purple.ba.bw2.br3.shadow-5.ph4.mt5[

### Durante el modelado de datos es probable que no hagamos un solo modelo, sino varios. 
### La manera de saber qué tan buenos son, es evaluar esos algoritmos mediante métricas.
### Tenemos métricas de regresión y clasificación.
]

---

## Métricas en la clasificación

---

# Positivos verdaderos
     
  
<img src="img/metricas2.png" width="100%" style="display: block; margin: auto;" />

---

## Falsos positivos 
  
<img src="img/metricas3.png" width="100%" style="display: block; margin: auto;" />

---

# Negativos verdaderos
  
<img src="img/metricas4.png" width="100%" style="display: block; margin: auto;" />

---

## Falsos Negativos  
  
<img src="img/metricas5.png" width="100%" style="display: block; margin: auto;" />

---

## Matriz de Confusión
      
  
<img src="img/matriz-confusion.png" width="100%" style="display: block; margin: auto;" />

---

## Principios del aprendizaje

### 1. Navaja de Occam 🔪

.bg-near-white.b--purple.ba.bw2.br3.shadow-5.ph4.mt5[

### El modelo más simple que pueda ser ajustado es el más factible.

#### Si tuviéramos para elegir entre un modelo simple y uno complejo con el mismo desempeño, debo preferir **siempre** el modelo más simple
]

---

## Principios del aprendizaje

### 2. Bias en el muestreo (sampling bias)

.bg-near-white.b--purple.ba.bw2.br3.shadow-5.ph4.mt5[

### Si los datos contienen un sesgo, el algoritmo tendrá ese mismo sesgo.
]

---

## Principios del aprendizaje

### 3. Data snooping  👀

.bg-near-white.b--purple.ba.bw2.br3.shadow-5.ph4.mt5[

### El set de datos de testeo no debe usarse nunca durante la fase de entrenamiento, ya que esto arrojará resultados más optimistas que los esperados. 
]

---
## De caret a `tidymodels`

.pull-left[
El objetivo de caret era **unificar la sintaxis** para modelizar datos usando como base distintas librerías de R. 
<img src="img/caret.png" width="100%" align="right" />
]

.pull-right[
El objetivo de Tidymodels es además hacerlo **en un formato ordenado**. 
<img src="img/tidymodels.png" width="80%" align="right" />

]

---
## `tidymodels`

.bg-near-white.b--purple.ba.bw2.br3.shadow-5.ph4.mt5[

### `tidymodels` es un grupo de paquetes centrado en las tareas de modelización de datos. 
### La modelización consta de varios pasos, la idea es que cada paso lo realice una librería diferente. 
]

---

# Etapas del modelado de datos

---

## Modelado y `tidymodels`

---

## Librerías de `tidymodels`

]

]

---

## Librerías de `tidymodels`

.left-column[
#### `library(rsample)`
### `library(recipes)`
__Permite hacer preprocesamiento de los datos__
]

]

---
## Librerías de `tidymodels`

.left-column[
#### `library(rsample)`
#### `library(recipes)`
### `library(parsnip)`
__Permite unificar los modelos a optimizar__
]

]

---
## Librerías de `tidymodels`

.left-column[
#### `library(rsample)`
#### `library(recipes)`
#### `library(parsnip)`
### `library(workflows)`
__Nos permite unificar el flujo de trabajo__

]

]

---
## Librerías de `tidymodels`

.left-column[
#### `library(rsample)`
#### `library(recipes)`
#### `library(parsnip)`
#### `library(workflows)`
### `library(tune)`
__Permite el tuneo de los hiperparámetros de los modelos__
]

]

---

## Librerías de `tidymodels`

.left-column[
#### `library(rsample)`
#### `library(recipes)`
#### `library(parsnip)`
#### `library(workflows)`
#### `library(tune)`
### `library(yardstick)`
__Permite evaluar las métricas de los modelos__
]

]

---

# Bibliografía

#### Max Kuhn & Julia Silge - [Tidy Modeling (en desarrollo)](https://www.tmwr.org/)

#### Julia Silge's [Personal Blog](https://juliasilge.com/blog/)

#### Max Kuhn & Kjell Johnson - [Feature engineering and Selection: A Practical Approach for Predictive Models](http://www.feat.engineering/)

#### Max Kuhn & Kjell Johnson - Applied Predictive Modeling

#### Documentación de [`tidymodels`](https://www.tidymodels.org/)

#### Alison Hill [rstudio conf](https://conf20-intro-ml.netlify.app/materials/) y [curso virtual](https://alison.rbind.io/post/2020-06-02-tidymodels-virtually/) material

---

# Muchas gracias 🎉

---

# Recreo 🍵