Què és Machine Learning (Aprenenatge automàtic)?

1.-Introducció a Machine Learning

Machine Learning és un potent subconjunt de la intel·ligència artificial que permet que els sistemes aprenguin de les dades i facin prediccions o decisions sense programació explícita. En aquest sentit, els algorismes de Machine Learning són capaços de generalitzar a partir de dades d'exemple.

Com a exemple descriptiu imaginem un conjunt d'imatges amb etiquetes que podeu definir i/o classificar la imatge. Un algorisme de Machine Learning podria definir un classificador d'imatges nou. Aquest nou classificador una vegada entrenat hauria de ser capaç d'aplicar etiquetes amb precisió a imatges noves que no s'havien vist anteriorment.

Aquests algorismes de Machine Learning aprenen regles a partir d'exemples etiquetats. El conjunt d'exemples etiquetats utilitzats per a l'aprenentatge s'anomena dades d'entrenament. Les regles apreses haurien de poder generalitzar-se per reconèixer o predir correctament nous exemples que no es troben al conjunt d'entrenament.

Machine Learning combina estadística, informàtica i altres ciències:

• Mètodes estadístics
• Ofereix conclusions a partir de dades
• Estima la fiabilitat de les prediccions de l'algorisme

• Informàtica
• Arquitectures a gran escala
• Algorismes per capturar, manipular, indexar, combinar, recuperar i realitzar prediccions sobre dades

• Economia, biologia, psicologia
• Per exemple: Com pot un individu o un sistema millorar de manera eficient el seu rendiment en un entorn determinat?

Alguns exemples de l'aplicabilitat de Machine Learning poden ser els següents:

• Finances: detecció de fraus en transaccions amb targetes de crèdit
• Cerca web: revisió ortogràfica de consultes, classificació de resultats, classificació i selecció de continguts, ubicació de publicitat.
• Reconeixement de veu
• Comerç electrònic: recomanacions de productes
• Filtratge de correu electrònic no desitjat (spam)

2.- Conceptes clau de Machine Learning

Machine learning supervisat: L'algorisme de Machine Learning aprèn a predir valors objectiu a partir de dades d'entrenament etiquetades. Es pot classificar en:

• Classificació: Quan els valors que obté l'algorisme de predicció són discrets. És a dir, els resultats només poden un nombre determinat de valors.
  • Exemple: Imaginem classificar 4 tipus de fruites a partir de dades d'entrenament com mida, color, textura...

Figura 1 - Exemple de classificació

• Regressió: Quan els valors que obté l'algorisme de predicció són continus. És a dir, els resultats només poden tenir qualsevol valor.
  • Exemple: Imaginem determinar el preu d'un habitatge a partir de dades d'entrenament com ara: ciutat, barri, m2, nº d'habitacions, nº banys, ipc d'anys anteriors.

Machine learning no supervisat: L'algorisme de Machine Learning aprèn a predir valors objectiu a partir de cerques d'estructures en dades no etiquetades. Es pot classificar en:

• Clustering (Agrupament): Cerca de grups d'instàncies similars a les dades
• Outlier Detection (Detecció de valors atípics) Cerca de patrons inusuals

Figura 2 - Exemples de Machine Learning no supervisat

Els algorismes de Machine Learning són capaços de generalitzar a partir de dades d'exemple existents