Guía completa sobre machine learning para principiantes
Machine learning
Cuando se habla de conceptos relacionados a la inteligencia artificial (IA) es normal que muchos de ellos resulten extraños o desconocidos, ya que la propia IA es algo “relativamente nuevo”; no obstante, no es tan intimidante como parece. Basta con que conozcas algunas nociones básicas para que puedas familiarizarte con el tema.
Si tienes curiosidad por saber qué es el famoso machine learning, pero no sabes ni por dónde empezar, entonces este artículo es para ti. Esperamos que esta publicación logré despertar tu interés y decidas investigar más acerca de este fascinante tema, que cambiará por completo la forma en la que vivimos
El nacimiento del machine learning
El machine learning, conocido en español como aprendizaje automático o aprendizaje de máquina, nació como una idea ambiciosa de la IA en la década de los 60. Para ser más exactos, fue una subdisciplina de la IA, producto de las ciencias de la computación y las neurociencias.
Lo que esta rama pretendía estudiar era el reconocimiento de patrones (en los procesos de ingeniería, matemáticas, computación, etc.) y el aprendizaje por parte de las computadoras. En los albores de la IA, los investigadores estaban ávidos por encontrar una forma en la cual las computadoras pudieran aprender únicamente basándose en datos.
¿Qué es exactamente?
Como establecimos previamente, es un campo de las ciencias de la computación que, de acuerdo a Arthur Samuel en 1959, le da a las computadoras la habilidad de aprender sin ser explícitamente programadas.
Si esta definición resultó muy trivial, pongámoslo de esta forma: es la idea de que existen algoritmos que pueden darte hallazgos o conclusiones relevantes obtenidas de un conjunto de datos, sin que el ser humano tenga que escribir instrucciones o códigos para esto.
De acuerdo, pero ¿qué es un algoritmo? Pues no es otra cosa que una secuencia o serie de instrucciones, que representan la solución a un determinado problema
El propósito del machine learning es que las personas y las máquinas trabajen de la mano, al éstas ser capaces de aprender como un humano lo haría. Precisamente esto es lo que hacen los algoritmos, permiten que las máquinas ejecuten tareas, tanto generales como específicas.
¿Cómo funciona?
El principal objetivo de todo aprendiz (learner) es desarrollar la capacidad de generalizar y asociar. Cuando traducimos esto a una máquina o computadora, significa que éstas deberían poder desempeñarse con precisión y exactitud, tanto en tareas familiares, como en actividades nuevas o imprevistas.
¿Y cómo es posible esto? Haciendo que repliquen las facultades cognitivas del ser humano, formando modelos que “generalicen” la información que se les presenta para realizar sus predicciones. Y el ingrediente clave en toda esta cuestión son los datos.
En realidad, el origen y el formato de los datos no es tan relevante, dado que el machine learning es capaz de asimilar una amplia gama de éstos, lo que se conoce como big data, pero éste no los percibe como datos, sino como una enorme lista de ejemplos prácticos.
Podríamos decir que sus algoritmos se dividen principalmente en tres grandes categorías: supervised learning (aprendizaje supervisado), unsupervised learning (aprendizaje no supervisado) y reinforcement learning (aprendizaje por refuerzo).
Supervised learning
Depende de datos previamente etiquetados, como podría ser el que una computadora logré distinguir imágenes de coches, de las de aviones. Para esto, lo normal es que estas etiquetas o rótulos sean colocadas por seres humanos para asegurar la efectividad y calidad de los datos.
En otras palabras, son problemas que ya hemos resuelto, pero que seguirán surgiendo en un futuro. La idea es que las computadoras aprendan de una multitud de ejemplos, y a partir de ahí puedan hacer el resto de cálculos necesarios para que nosotros no tengamos que volver a ingresar ninguna información.
Ejemplos: reconocimiento de voz, detección de spam, reconocimiento de escritura, entre otros.
Unsupervised learning (
En esta categoría lo que sucede es que al algoritmo se le despoja de cualquier etiqueta, de modo que no cuenta con ninguna indicación previa. En cambio, se le provee de una enorme cantidad de datos con las características propias de un objeto (aspectos o partes que conforman a un avión o a un coche, por ej.), para que pueda determinar qué es, a partir de la información recopilada.
Ejemplos: detectar morfología en oraciones, clasificar información, etc.
| Algoritmo | Tipo | Descripción |
|---|---|---|
| Random forest | Métodos combinados | Combinación de árboles predictores no correlacionados |
| Gradient boosting | Métodos combinados | Combinación de árboles predictores escalonados |
| Regresión logística | Regresión | Análisis de regresión utilizado para predecir el resultado de una variable categórica |
| Máquinas de vectores de soporte | Clasificador supervisado | Clasificador a través de construcción de hiperplanos disociadores |
| K vecinos más próximos | Clasificador supervisado | Estimación de la función de densidad de las variables predictoras en función de las clases |
| Análisis discriminante lineal | Discriminante lineal | Generalización del discriminante lineal de Fisher |
| Clasificador bayesiano ingenuo | Clasificador supervisado probabilístico | Clasificador probabilístico fundamentado en el teorema de Bayes |
¿Cuáles son sus perspectivas y aplicaciones actuales?
Una vez que compruebas lo fácil y práctico que resulta aplicar las técnicas de machine learning a problemas que creías serían imposibles, es cuando empiezas a creer que podría resolver prácticamente cualquier problema* -siempre y cuando existan suficientes datos-.
*¡Ojo! Cabe recordar que esto solamente funciona si el problema en cuestión es solucionable.
Para el consumidor moderno, el machine learning es un facilitador clave de muchas de sus tareas cotidianas. Desde servicios de traducción, a predicciones climáticas, hasta adivinar lo que los usuarios quieren con base a sus actividades recientes; las prestaciones que ofrece son incomparables.
Dado que el machine learning es un sistema basado en el procesamiento y análisis de datos que son traducidos a hallazgos, se puede aplicar a cualquier campo que cuente con bases de datos lo suficientemente grandes. De momento, algunos de sus usos más populares y desarrollados son:
- Clasificación de secuencias de DNA
- Predicciones económicas y fluctuaciones en el mercado bursátil
- Mapeos y modelados 3D
- Detección de fraudes
- Diagnósticos médicos
- Buscadores en Internet
- Sistemas de reconocimiento de voz
- Optimización e implementación de campañas digitales publicitarias
Un ejemplo del último punto es Adext. Adext es el primer y único AMaaS (Audience Management as a Service) que aplica Inteligencia Artificial y Machine Learning a la publicidad digital para encontrar la mejor audiencia o grupo demográfico para cualquier anuncio. Maneja de forma automática los presupuestos alrededor de 20 públicos distintos por anuncio, dentro de diversas plataformas (Google AdWords, Facebook e Instagram), optimizándolos varias veces al día.
Además, se les garantiza bajo contrato a las agencias que sean Adext Partners superar el costo por conversión actual (costo por venta o costo por lead más bajo) de todas las cuentas o campañas que lleven como agencia. De lo contrario, el servicio será GRATIS y no se cobra el fee correspondiente.
Aprende machine learning. (s/f). Aprendemachinelearning.com; Aprende Machine Learning. Recuperado el 14 de agosto de 2022, de https://www.aprendemachinelearning.com/
Blog. (s/f). Machinelearningparatodos.com. Recuperado el 14 de agosto de 2022, de https://machinelearningparatodos.com/blog/
¿En qué consiste el Machine Learning? (s/f). Ironhack.com. Recuperado el 14 de agosto de 2022, de https://www.ironhack.com/es/data-analytics/que-es-machine-learning
¿Qué Es Machine Learning? [Guía Completa Para Principiantes]. (s/f). Adext Blog. Recuperado el 14 de agosto de 2022, de https://blog.adext.com/machine-learning-guia-completa/
Comentarios
Publicar un comentario