Machine Learning

La guía más completa sobre el Machine Learning

Los cambios tecnológicos han abierto las puertas a muchas ideas que eran inconcebibles por el coste que suponía desarrollarlas. Antes, era impensable creer en la posibilidad de discos duros de 1 TB, pero ahora es todo un estándar en almacenamiento masivo. Con el Machine Learning hemos visto lo mismo.

Definición

Se trata de un subcampo de la Inteligencia Artificial que está enfocado en enseñar a las máquinas a actuar como humanos, actuando de forma independiente. Este proceso es posible llevarlo a cabo mediante los datos y la experiencia de interacciones.

Dicho de otro modo, el Machine Learning permite alimentar a las máquinas de conocimiento a través de la transferencia de información en forma de datos. Conseguimos mejorar la predicción, lo que supone tomar mejores decisiones gracias a la información que proporcionan los datos.

Seguramente, estéis pensando en robots que simulen a humanos, pero podemos verlo en cosas más sencillas, como son los filtros anti-spam, en la conducción autónomo, reconocimiento de voz o la interacción con Siri o Bixby, por ejemplo.

Tipos de Machine Learning

Existen diferentes tipos de Machine Learning que difieren en ciertas particularidades. Los hemos clasificado y explicado.

Aprendizaje profundo o Deep Learning

Deep Learning

Como hemos dicho arriba, el Machine Learning es un subcampo de la Inteligencia artificial. En su caso, el Deep learning lo es del mismo Machine Learning y se caracteriza en crear una jerarquía de las redes neuronales artificiales.

Estas redes tratan de simular o adaptar la estructura de un cerebro humano, existiendo varias capas de red neuronales. Se trata de un algoritmo muy común que se utiliza en la edición de apps o en programas de reconocimiento.

La primera, coge datos sin filtrar para procesarlos, extraer la información relevante y transferirla a la siguiente capa. La siguiente capa hace lo mismo, repitiéndose el proceso hasta llegar a la última capa: la que consigue la predicción.

Justo en este tipo de Machine Learning encontramos el aprendizaje reforzado. Su objetivo es armar un modelo con un agente cuya misión es mejorar el rendimiento cogiendo como base cada interacción que se realiza en el entorno.

Para ello, se utiliza un sistema llamado “recompensa”, que evalúa la idoneidad de la acción para conseguir un objetivo. Es una especie de ensayo-error que utiliza el modelo para conseguir la máxima recompensa.

La gran mayoría de la inteligencia artificial que encontramos en los videojuegos, se construye en torno al aprendizaje reforzado. La “máquina” o los “bots” van mejorando conforme el jugador va realizando acciones.

Aprendizaje supervisado

En este tipo con muchos ejemplos en los que los resultados se conocen, por lo que los modelos aprenden de estos resultados y se configuran para adaptarse a todos los datos que entren. Por ello, se dice que los modelos se “entrenan” con ejemplos conocidos.

Una vez que la configuración funciona para que los datos sean coherentes, el modelo está listo para predecir correctamente datos no procesados.

Todo el proceso depende de su clasificación y su regresión:

  1. Clasificación. Su objetivo es predecir todas las clases. La clasificación utiliza el lenguaje binario, asignando valores 1 y 0. En el ejemplo del SPAM, si el email es recibido con valor 1, es SPAM; si viene con valor 0, no lo es.
    • Cada clase se clasifica de 0 a 9.
  2. Regresión. Con la regresión se asignan categorías a un dato que esté sin etiquetar. Este sistema usará una relación entre un número de variables predictivas y otra variable de respuesta continua para dar con un resultado continuo.

Aprendizaje no supervisaod

Aquí tratamos los datos con estructura desconocida que estén sin etiquetar. Su finalidad es extraer información relevante a través de la exploración de datos sin etiquetar. Para ello, encontramos dos categorías:

Aprendizaje

  1. Se trata de una técnica que analiza datos para organizar toda la información en grupos con significados determinados. La idea es conseguir un conjunto de grupos con características parecidas.
  2. Reducción dimensional. Las observaciones van aparejadas de un gran número de características o de alta dimensionalidad. Así que debemos procesar y clasificar correctamente esos datos. Para ello, esta técnica intenta encontrar correlaciones entre las características, desechando datos redundantes.

Cómo construir modelos de Machine Learning

Se suele seguir un procedimiento marcado por 4 tareas: el presprocesamiento, el test, la selección de modelo y el examen o evaluación. Esto no tiene por qué ser así, podemos encontrar más o menos tareas. Dicho esto, sirve para orientaros acerca de cómo suele ser un procedimiento de este tipo.

Cuando el modelo pasa estas tareas de forma satisfactoria, se puede decir que está preparado para dar su función. Lamentablemente, este proceso suele necesitar correcciones.

Sabemos que toda esta teoría es un poco compleja, pero, a su vez, es difícil de explicar de forma sencilla. Esperamos que os haya servido de ayuda, y, si tenéis alguna duda, podéis hacérnosla saber más abajo. Estaremos encantados de responderos a todos.

Otros artículos que pueden ser de su interés. 

Otros Artículos que pueden ser de su interés

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *