Métricas de evaluación: ¿es realmente buena su IA?

Vista previa pública de la lección

Descubra por qué la precisión por sí sola es engañosa y domine las métricas (precisión, recuperación, F1, ROC-AUC, BLEU y perplejidad) que realmente miden el rendimiento de la IA.

Objetivos de aprendizaje

Al final de esta lección, comprenderás:

• ✓La trampa de la precisión
• ✓La matriz de la confusión
• ✓Precisión: "De todo lo que marqué, ¿cuánto fue correcto?"
• ✓Recordemos: "De todo lo positivo, ¿cuánto encontré?"
• ✓La compensación entre precisión y recuperación

Esquema de la lección

1. La trampa de la precisión
2. La matriz de la confusión
3. Precisión: "De todo lo que marqué, ¿cuánto fue correcto?"
4. Recordemos: "De todo lo positivo, ¿cuánto encontré?"
5. La compensación entre precisión y recuperación
6. Puntuación F1: la media armónica
7. Curvas ROC y AUC
8. Métricas para la generación de texto
9. Puntuación BLEU
10. Perplejidad
11. Pruebas A/B en producción
12. Cuándo utilizar qué métrica
13. Conclusiones clave
14. 📚 Lecturas adicionales