¿Qué es Machine Learning?

Machine Learning suena algo misterioso para la mayoría de las personas. De hecho, solo una pequeña fracción de profesionales sabe realmente lo que representa. Y hay una razón seria para ello: este campo es bastante técnico y difícil de explicar. Sin embargo, nos gustaría cerrar esta brecha y explicar un poco acerca de lo que es el aprendizaje automático (ML) y cómo se puede utilizar en nuestra vida cotidiana o negocio.

Entonces, ¿Qué es Machine Learning?

El aprendizaje automático puede referirse a:

  • La rama de la inteligencia artificial;
  • Los métodos utilizados en este campo (hay una variedad de enfoques diferentes).

En general, si hablamos de esto último, Tom Mitchell, autor del conocido libro “Machine Learning” , define ML como “mejorar el rendimiento en alguna tarea con experiencia”. Sin embargo, esta definición es bastante amplia, por lo que podemos citar otra descripción más específica que indique que ML trata con sistemas que pueden aprender de los datos.

El Machine Learning trabaja con datos y los procesa para descubrir patrones que luego pueden usarse para analizar nuevos datos. ML generalmente se basa en la representación específica de datos, un conjunto de “características” que son comprensibles para una computadora. Por ejemplo, si hablamos de texto, debe representarse a través de las palabras que contiene otras características, como la longitud del texto, el número de palabras emocionales, etc. Esta presentación depende de la tarea con la que se trate y normalmente se hace referencia a ella. como “extracción de características”.

Tipos de ML

Todas las tareas de ML se pueden clasificar en varias categorías, las principales son:

  • ML supervisado;
  • ML no supervisado;
  • aprendizaje reforzado.

Ahora expliquemos en palabras simples. Esto es más fácil de explicar usando un ejemplo. Imaginemos que queremos enseñar a una computadora a distinguir imágenes de perros y gatos. Podemos pedirle a algunos de nuestros amigos que nos envíen fotos de gatos y perros agregando una etiqueta ‘gato’ o ‘perro’. El etiquetado generalmente lo realizan anotadores humanos para garantizar una alta calidad de los datos. Entonces ahora sabemos las etiquetas verdaderas de las imágenes y podemos usar esta información para “supervisar” nuestro algoritmo y aprender de la manera correcta para clasificar las imágenes. Una vez que nuestro algoritmo aprende cómo clasificar imágenes, podemos usarla en datos nuevos y predecir etiquetas (‘gato’ o ‘perro’ en nuestro caso) en imágenes nunca vistas previamente.

Como el lector puede adivinar por su nombre, ML no supervisado significa que privamos a un algoritmo de aprendizaje de las etiquetas que utilizamos en el aprendizaje supervisado. Simplemente proporcionamos ML con una gran cantidad de datos y características de cada observación (una sola pieza de datos). Como ejemplo, imagina que tus amigos no fueron muy útiles y se olvidó de etiquetar las imágenes de gatos y perros que han enviado. Sin embargo, aún desea dividir estos datos en 2 categorías. Puede emplear ML no supervisado (en este caso, una técnica llamada agrupamiento) para separar sus imágenes en dos grupos en función de algunas características (características) inherentes de las imágenes.

El gráfico a continuación presenta un flujo de trabajo simplificado de una tarea típica de ML (es un gráfico general que muestra el procesamiento tanto en términos de ML supervisada como no supervisada).

ML-eng

Flujo de trabajo típico de Machine Learning

 

¿Qué necesitamos para usar Machine Learning?

Dado el hecho de que ML depende de los datos, el requisito más importante de usar ML es tener los datos que pueden utilizar para capacitar a un modelo ML. La cantidad de datos necesarios depende de lo que esté buscando y cuán complejo sea su problema. Sin embargo, recopilar más datos siempre es una buena idea. También se debe tener en cuenta que estos datos (en los que desea entrenar a su ML) deberían ser similares a los que desea hacer predicciones más adelante. Por ejemplo, mirar las reseñas de libros y aprender a predecir las opiniones de las personas (positivas o negativas) sobre algunos libros, puede arrojar resultados no muy buenos cuando se aplican a revisiones de teléfonos móviles o computadoras portátiles.

Otro requisito implica su capacidad para formular la pregunta que desea plantear a un experto en ML, necesita saber lo que quiere obtener como resultado. Por ejemplo, puede pedir que eche un vistazo a las compras en su tienda en línea en los últimos años y pronosticar las ventas para el próximo año. Sin embargo, no sería razonable solicitar tal estimación si acaba de abrir una tienda y no tiene datos disponibles. ML es ciertamente poderoso, ¡pero no es mágico!

En este artículo tratamos de cerrar la brecha entre el mundo de la tecnología y las estadísticas, y los laicos que podrían estar interesados ​​en conocer un poco más sobre el misterioso ML.

Comentarios

Comentarios

Sé el primero en comentar

Dejar una contestacion

Tu dirección de correo electrónico no será publicada.


*