¿Qué es Machine Learning (Aprendizaje Automático)?

1.-Introducción a Machine Learning

Machine Learning es un potente subconjunto de la inteligencia artificial que permite que los sistemas aprendan de los datos y realicen predicciones o decisiones sin programación explícita. En ese sentido, los algoritmos de Machine Learning son capaces de generalizar a partir de datos de ejemplo

Como ejemplo descriptivo imaginemos un conjunto de imágenes con etiquetas que pueden definir y/o clasificar la imagen. Un algoritmo de Machine Learning podría definir un nuevo clasificador de imágenes. Este nuevo clasificador una vez entrenado debería ser capaz de aplicar etiquetas con precisión a imágenes nuevas que no se habían visto anteriormente.

Estos algoritmos de Machine Learning aprenden reglas a partir de ejemplos etiquetados. El conjunto de ejemplos etiquetados utilizados para el aprendizaje se denomina datos de entrenamiento. Las reglas aprendidas deberían poder generalizarse para reconocer o predecir correctamente nuevos ejemplos que no se encuentran en el conjunto de entrenamiento.

Machine Learning combina estadística, informática y otras ciencias:

• Métodos estadísticos
• Ofrece conclusiones a partir de datos
• Estima la fiabilidad de las predicciones del algoritmo

• Informática
• Arquitecturas a gran escala
• Algoritmos para capturar, manipular, indexar, combinar, recuperar y realizar predicciones sobre datos

• Economía, biología, psicología
• Por ejemplo: ¿Cómo puede un individuo o un sistema mejorar de manera eficiente su rendimiento en un entorno determinado?

Algunos ejemplos de la aplicabilidad de Machine Learning pueden ser los siguientes:

• Finanzas: detección de fraudes en transacciones con tarjetas de crédito
• Búsqueda web: revisión ortográfica de consultas, clasificación de resultados, clasificación y selección de contenidos, ubicación de publicidad
• Reconocimiento de voz
• Comercio electrónico: recomendaciones de productos
• Filtrado de correo electrónico no deseado (spam)

2.- Conceptos clave de Machine Learning

Machine learning supervisado: El algoritmo de Machine Learning aprenda a predecir valores objetivo a partir de datos de entrenamiento etiquetados. Se puede clasificar en:

• Clasificación: Cuando los valores que obtiene el algoritmo de predicción son discretos. Es decir, los resultados solo pueden un número determinado de valores.
  • Ejemplo: Imaginemos clasificar 4 tipos de frutas a partir de datos de entrenamiento como tamaño, color, textura...

Figura 1 - Ejemplo de clasificación

• Regresión: Cuando los valores que obtiene el algoritmo de predicción son continuos. Es decir, los resultados solo pueden tener cualquier valor.
  • Ejemplo: Imaginemos determinar el precio de una vivienda a partir de datos de entrenamiento como: ciudad, barrio, m2 , nº de habitaciones, nº baños, ipc de años anteriores.

Machine learning no supervisado: El algoritmo de Machine Learning aprende a predecir valores objetivo a partir de búsquedas de estructuras en datos no etiquetados. Se puede clasificar en:

• Clustering (Agrupamiento): Búsqueda de grupos de instancias similares en los datos
• Outlier Detection (Detección de valores atípicos) Búsqueda de patrones inusuales

Figura 2 - Ejemplos de Machine Learning no supervisado

Los algoritmos de Machine Learning son capaces de generalizar a partir de datos de ejemplo existentes