¿Qué es el Machine Learning?

Jeff Hawkings define en su libro “Sobre la Inteligencia” que la Inteligencia es la capacidad de predecir el futuro, como el sabor de algo a partir de los ingredientes con base a patrones almacenados en la memoria.

Pues ese principio es el que se encuentra detrás del Machine Learning o también denominado “aprendizaje automático”.

Acerca del Machine Learning

El Machine Leaning es la rama de la inteligencia Artificial que a través de algoritmos dota a una maquina de la capacidad de predecir el futuro con base a un conjunto de datos.

Es importante aclarar en este punto, que implementar un algoritmo no implica necesariamente Inteligencia Artificial, aunque la Inteligencia Artificial si implica algoritmos.

El término Machine Learning fue usado por primera vez en 1959 con fines mercadológicos y ha ganado mucha relevancia últimamente debido a la relativa sencillez de uso comparada con décadas atrás donde el poder de computo era reducido y los medios de almacenamiento lentos y costosos.

Tipos de Machine Learning

Pero no todo el machine learning es igual, hay divisiones que nos permiten clasificar los métodos de aprendizaje como lo vemos a continuación.

Aprendizaje Supervisado

Este tipo de aprendizaje utiliza algoritmos que asignan etiquetas a los datos para posteriormente hacer predicciones. Estos algoritmos de “entran” con datos de los que se sabe su predicción correcta.

Este tipo de aprendizaje se utiliza cuando se tienen datos históricos como los movimientos bancarios de tarjetas con fraude y así predecir las tarjetas con fraude de los que aún no se tienen datos y en tiempo real.

Aprendizaje no Supervisado

Se utiliza con datos de los cuales no se tienen resultados históricos previos. Se utiliza generalmente para clasificar conjuntos, segmentar texto, o encontrar valores atípicos en los datos.

Aprendizaje con refuerzo

Se utiliza cuando el algoritmo descubre a base de prueba y error las acciones que conducen a los mejores resultados.

Este tipo de aprendizaje utiliza 3 componentes: El Agente (el que aprende o toma decisiones), el entorno (lo que interactúa con el agente), y las acciones (todo lo que puede hacer el agente).

El algoritmo debe determinar las mejores situaciones para el agente y maximizar los resultados positivos.  

Aprendizaje semisupervisado

Se utiliza cuando se tiene poca cantidad de datos con etiquetas. Es utilizado cuando el costo de etiquetado de datos es muy costoso como para llevarse acabo. Un ejemplo es el reconocimiento de caras en una imagen.

---

Entender las formas en las que puede utilizarse el Machine Learning es de vital importancia para las compañías que deseen un crecimiento sostenido y competitivo, estamos en la era de los datos donde cada vez todo se mueve mas rápido en turnos de 24/7. 

Si quieres saber aplicaciones en distintos sectores, te invito a leer el siguiente articulo.

Ejemplos de Machine Learning por sectores

¿Y tú, ya tienes un proyecto en mente? ¡Si tienes dudas puedes mandar mensaje!

Déjame saber tus comentarios.

---