Skip to content

Qué es el Machine Learning

Porqué es importante el aprendizaje automático
Rate this post

¿Qué es el Machine Learning (aprendizaje automático)?

Es la rama de la informática y una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que permitan el aprendizaje de la informática. Se dice que un agente aprende cuando su rendimiento mejora con la experiencia, es decir, cuando la capacidad no estaba presente entre sus rasgos de nacimiento. Más específicamente, se trata de encontrar algoritmos y heurística para convertir muestras de datos en programas informáticos sin tener que escribirlos explícitamente. Los modelos o programas resultantes deberían ser capaces de generalizar los comportamientos e inferencias a un conjunto de datos mayor (posiblemente infinito).

También llamado: aprendizaje automático, aprendizaje automatizado o aprendizaje automático.

El aprendizaje automático, conocido en español como aprendizaje automático o aprendizaje automático, comenzó como una idea ambiciosa de la IA en los años sesenta. Para ser más precisos, era una sub-disciplina de la IA, la informática de productos y las neurociencias.

El objetivo del aprendizaje con máquinas es que las personas y las máquinas trabajen codo con codo, para poder aprenderlas como lo haría un ser humano. Eso es exactamente lo que hacen los algoritmos, permiten que las máquinas realicen tareas generales y específicas.

¿Cómo funciona el aprendizaje automático?

El objetivo principal de todo aprendiz es desarrollar la capacidad de generalizar y asociar. Al traducir esto a una máquina u ordenador, significa que deben ser capaces de realizar tareas familiares, como actividades nuevas o imprevistas, precisión y exactitud, ambas. Replicando las facultades cognitivas del ser humano, formando modelos de información “generalizada” que se le presentan para hacer sus predicciones. Y el ingrediente clave en todo esto son los datos. De hecho, la fuente y el formato de los datos no son tan importantes, porque el aprendizaje automático es capaz de asimilar una amplia variedad de ellos, lo que se conoce como grandes datos, pero esto no se percibe como datos, sino como una enorme lista de ejemplos prácticos. Podríamos decir que sus algoritmos se dividen principalmente en tres categorías principales:

  1. Aprendizaje supervisado (aprendizaje supervisado)
  2. Aprendizaje no supervisado (Aprendizaje no supervisado)
  3. Aprendizaje por refuerzo (aprendizaje por refuerzo).

Que es machine learning

Tipos de aprendizaje de la máquina

Aprendizaje supervisado (aprendizaje supervisado):

Depende de los datos previamente marcados, ya que un ordenador puede haber sido capaz de distinguir imágenes de coches, aviones. Para ello, es normal que estas etiquetas sean colocadas por los seres humanos para garantizar la eficacia y la calidad de los datos.

En otras palabras, se trata de problemas que ya hemos resuelto, pero que seguirán surgiendo en el futuro. La idea es que las computadoras aprendan de una plétora de ejemplos, y desde allí pueden hacer el resto de los cálculos necesarios para que no tengan que volver a introducir ninguna información. Ejemplos: reconocimiento de voz, detección de spam, reconocimiento de manuscritos, entre otros.

Aprendizaje no supervisado (Aprendizaje no supervisado):

En esta categoría, lo que sucede es que el algoritmo se despoja de cualquier etiqueta, de modo que no tiene ninguna indicación previa. En cambio, se recibe una enorme cantidad de datos con las características de un objeto (aspectos o partes que componen un avión o un coche, por ejemplo), de modo que se puede determinar qué es, en función de la información recogida…. Ejemplos: detección de la morfología de las frases, clasificación de la información, etc.

Aprendizaje por refuerzo (aprendizaje por refuerzo):

En este caso en particular, la base del aprendizaje es el refuerzo. La máquina es capaz de aprender sobre la base de pruebas y errores en diferentes situaciones. Aunque usted conoce los resultados desde el principio, no sabe cuáles son las mejores decisiones para obtenerlos. Lo que sucede es que el algoritmo asocia progresivamente patrones de éxito, repitiéndolos una y otra vez hasta que se perfeccionan y se vuelven infalibles. Ejemplos: navegación automática de vehículos, toma de decisiones, etc.

Modelos de aprendizaje por máquina o aprendizaje por máquina

El aprendizaje automático da como resultado un modelo para resolver una tarea en particular. Se hace una distinción entre los modelos:

Modelos geométricos:

Construido en el espacio de la instancia y que puede tener una, dos o varias dimensiones. Si hay una frontera de decisión lineal entre clases, los datos serán linealmente separables. Un límite de decisión lineal se define como w * x = t, donde w es un vector perpendicular al límite de decisión, x es un punto arbitrario en el límite de decisión y t es el límite de decisión.

Modelos probabilísticos:

Intentan determinar el descriptor de distribución de probabilidad de la función que enlaza a valores de característica con valores determinados. Uno de los principales conceptos para el desarrollo de modelos probabilísticos es la estadística bayesiana.

Modelos lógicos:

Transforman y expresan probabilidades en reglas organizadas en forma de árboles de decisión.

Los modelos también se pueden clasificar como modelos de conglomerados y gradientes. Los primeros tratan de dividir el espacio de las instancias en grupos. Los segundos, como su nombre indica, representan un gradiente en el que se puede diferenciar cada instancia. Los clasificadores geométricos, como las máquinas vectoriales de soporte, son modelos de gradiente.

Cómo funciona el aprendizaje automático

Campos de aplicación del aprendizaje automático

Muchas actividades están aprovechando actualmente el aprendizaje automático. Sectores como las compras, la publicidad online donde colocar un anuncio para mayor visibilidad, dependiendo del usuario que visite la web o los filtros antispam, se aprovechan de estas tecnologías.

El campo de aplicación práctica depende de la imaginación y de los datos disponibles en la empresa. Estos son algunos ejemplos más:

  1. Detectar fraudes en las transacciones.
  2. Predecir fallas en el equipo tecnológico.
  3. Predecir qué empleados serán más rentables el próximo año (el sector de Recursos Humanos está apostando seriamente por el Aprendizaje Automático).
  4. Seleccionar clientes potenciales en base a comportamientos de redes sociales, interacciones en la web…
  5. Predecir el tráfico urbano.
  6. Conocer el mejor momento para enviar tweets, actualizaciones de Facebook o enviar el boletín.
  7. Hacer un pre-diagnóstico médico basado en los síntomas del paciente.
  8. Cambiar el comportamiento de una aplicación móvil para que se adapte a las costumbres y necesidades de cada usuario.
  9. Detectar intrusiones en una red de comunicación de datos.
  10. Decida cuándo es el mejor momento para llamar a un cliente.

¿Por qué es importante el aprendizaje automático?

El resurgimiento del interés en el aprendizaje basado en máquinas se debe a los mismos factores que han hecho que la minería de datos y la analítica bayesiana sean más populares que nunca. Cosas como el aumento de volúmenes y variedades de datos disponibles, un procesamiento computacional más económico y potente y un almacenamiento de datos asequible.

Todas estas cosas significan que usted puede producir modelos rápida y automáticamente que pueden analizar datos más grandes y complejos y producir resultados más rápidos y precisos, incluso a gran escala. Y al construir modelos precisos, una organización tiene una mejor oportunidad de identificar oportunidades rentables o evitar riesgos desconocidos.