Machine learning

¿Qué es el machine learning?

El término anglosajón machine learning se puede traducir como aprendizaje de máquinas, aprendizaje computacional, aprendizaje automático o como aprendizaje automatizado, pero normalmente se utiliza en inglés. Se trata de un subcampo de la computación y una rama de la inteligencia artificial especializada en el desarrollo de técnicas para favorecer el aprendizaje de los agentes inteligentes.

El machine learning es una parte fundamental del Big Data. El término se inventó en 1959, pero en los últimos años ha ido cobrando cada vez más vigencia.

¿Qué es un agente inteligente?

Si bien el término agente inteligente puede aplicarse a organismos vivos, en computación se utiliza para denotar entidades capaces de percibir su entorno, procesar la información captada y responder de manera racional.

¿Cuándo se considera que un agente inteligente aprende?

Se considera que un agente inteligente aprende cuando mejora su desempeño gracias a la experiencia; es decir, utilizando habilidades que no estaban presentes en su programación original.

Dentro del machine learning, podemos distinguir tres tipos de aprendizaje:

1. Crecimiento: adquiere información del entorno y la guarda en la memoria.
2. Reestructuración: la interpretación de los datos genera nuevo conocimiento.
3. Ajuste: generaliza varios conceptos o crea conceptos propios.

¿Cuáles son los principales tipos de machine learning?

• Aprendizaje supervisado (Supervised Learning): en este tipo de aprendizaje, se proporciona al algoritmo un conjunto de datos de entrada etiquetados; es decir, acompañados por sus correspondientes resultados deseados. La función aprendida debe servir para hacer predicciones sobre nuevos datos no etiquetados.
• Aprendizaje no supervisado (Unsupervised Learning): en el aprendizaje no supervisado, se proporciona un conjunto de datos no etiquetados para que el algoritmo descubra patrones, estructuras ocultas o agrupamientos en ellos, y los organice.
• Aprendizaje por refuerzo (Reinforcement Learning): en el aprendizaje por refuerzo, el agente interactúa con el entorno, realiza acciones y recibe retroalimentación en forma de recompensas o penalizaciones. A medida que el agente explora el entorno, aprende a tomar decisiones secuenciales para acumular recompensas y desarrolla una estrategia para maximizar la recompensa a largo plazo.

También existen modelos híbridos, como el aprendizaje semisupervisado, el aprendizaje transferido, la transducción, etc.

¿Qué tipos de algoritmo se utilizan en machine learning?

Para el machine learning se utilizan varios tipos de algoritmos. Estos son algunos de los muchos que hay:

• Los algoritmos de agrupamiento: dividen un conjunto en grupos según sus características; por ejemplo: k-means, K-NN.
• Árboles de decisión: son estructuras jerárquicas que toman decisiones basadas en reglas de condicionales. A través de diagramas de flujo con forma de árbol, ilustran los posibles resultados de una decisión.
• Redes neuronales: la RNA (red neuronal artificial) se utiliza para modelar relaciones no lineales con datos de alta dimensión (datos que tienen más características que observaciones). Se inspiran en sistemas biológicos, como el cerebro, y son una serie de capas interconectadas que trabajan en colaboración.
• Algoritmos de aprendizaje profundo: utilizan varias capas de algoritmos de redes neuronales.
• Algoritmos genéticos: están inspirados en la evolución biológica y se utilizan para resolver problemas de optimización.
• Redes bayesianas: modelan relaciones probabilísticas para la toma de decisiones.

¿Cuáles son las aplicaciones del machine learning?

Las aplicaciones del machine learning son virtualmente infinitas, pero estas son algunas de ellas:

• Ciudades inteligentes. 
• Redes sociales.
• Experiencia de usuario.
• Diagnóstico médico.
• Ciberseguridad.
• Procesadores de Lenguaje Natural.
• Marketing.
• Finanzas.