Scribd
Cargar
26 vistas10 páginas

Clase 2 Machine Learning

Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente identificando patrones en datos y predecir comportamientos futuros a través de algoritmos, mejorando de forma autónoma sin intervención humana.

Cargado por

Christopher Olave
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
26 vistas10 páginas

Clase 2 Machine Learning

Machine Learning es una disciplina científica del ámbito de la Inteligencia Artificial que crea sistemas que aprenden automáticamente identificando patrones en datos y predecir comportamientos futuros a través de algoritmos, mejorando de forma autónoma sin intervención humana.

Cargado por

Christopher Olave
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 10

Machine Learning

INTRODUCCIÓN
Machine Learning es una disciplina científica del
ámbito de la Inteligencia Artificial (IA) que crea
sistemas que aprenden automáticamente, conocido en
español como aprendizaje automático o aprendizaje de
máquina, nació como una idea ambiciosa de la IA en la
década de los 60.

Para ser más exactos, fue una subdisciplina de la IA,


producto de las ciencias de la computación y las
neurociencias.
Machine Learning
El concepto en términos generales es crear un sistemas
que aprenda automáticamente.
– Aprender en este contexto quiere decir identificar
patrones complejos en millones de datos. La máquina lo
que realmente aprende es un algoritmo que revisa los
datos y es capaz de predecir comportamientos futuros
automáticamente.

– También en este contexto, implica que estos sistemas se


mejoran de forma autónoma con el tiempo, sin
intervención humana.
Machine Learning
De acuerdo, pero ¿qué es un algoritmo? Pues no es otra cosa que
una secuencia o serie de instrucciones, que representan la solución
a un determinado problema.

El propósito del machine learning es que las personas y las


máquinas trabajen de la mano, al éstas ser capaces de aprender
como un humano lo haría. Precisamente esto es lo que hacen los
algoritmos, permiten que las máquinas ejecuten tareas, tanto
generales como específicas.
Si bien al principio sus funciones eran básicas y se limitaban a
filtrar emails, hoy en día puede hacer cosas tan complejas como
predicciones de tráfico en intersecciones muy transitadas,
detectar cáncer, mapear sitios para generar proyectos de
construcción en tiempo real, e incluso, definir la compatibilidad
entre dos personas.
Como simplificación, podemos decir que el Machine Learning
consta del siguiente flujo de trabajo:
• Adquisición de datos (mediante observación).

• Manipulación, caracterización y representación de dichos datos


orientándolos a un modelo teórico basado en el diseñador.

• Creación del modelo como tal a partir de los pasos anteriores sean capaz
de resolver el problemas de partida.

• Establecimiento de pruebas y predicciones basándose en el modelo.


Para el Machine Learning los elementos fundamentales son los
algoritmos y los datos siendo los datos el ingrediente clave. En realidad,
el origen y el formato de los datos no es tan relevante, dado que
el Machine Learning es capaz de asimilar una amplia gama de éstos, lo
que se conoce como big data, pero éste no los percibe como datos, sino
como una enorme lista de ejemplos prácticos.

Por su parte el caso de los algoritmos es la herramienta fundamental


con la que se trabaja y procesan los datos. Podríamos decir que sus
algoritmos se dividen principalmente en tres grandes categorías:

1. supervised learning (aprendizaje supervisado)

2. unsupervised learning (aprendizaje no supervisado)

3. reinforcement learning (aprendizaje por refuerzo)


Supervised learning (aprendizaje supervisado)
Depende de datos previamente etiquetados, como
podría ser el que una computadora logré distinguir
imágenes de coches, aviones, etc. Para esto, lo
normal es que estas etiquetas o rótulos sean
colocadas por seres humanos para asegurar la
efectividad y calidad de los datos.

En otras palabras, son problemas que ya hemos


resuelto, pero que seguirán surgiendo en un futuro.
La idea es que las computadoras aprendan de una
multitud de ejemplos, y a partir de ahí puedan
hacer el resto de cálculos necesarios para que
nosotros no tengamos que volver a ingresar
ninguna información.

Ejemplos: reconocimiento de voz, detección de spam,


reconocimiento de escritura, entre otros.
Unsupervised learning (aprendizaje no supervisado)

En esta categoría lo que sucede es que al


algoritmo se le despoja de cualquier etiqueta, de
modo que no cuenta con ninguna indicación
previa.

En cambio, se le provee de una enorme cantidad


de datos con las características propias de un
objeto (aspectos o partes que conforman a un
avión o a un coche, por ej.), para que pueda
determinar qué es, a partir de la información
recopilada.

Ejemplos: detectar morfología en oraciones,


clasificar información, etc.
Reinforcement learning (aprendizaje por refuerzo)

En este caso particular, la base del aprendizaje es


el refuerzo. La máquina es capaz de aprender con
base a pruebas y errores en un número de
diversas situaciones.

Aunque conoce los resultados desde el principio,


no sabe cuáles son las mejores decisiones para
llegar a obtenerlos. Lo que sucede es que el
algoritmo progresivamente va asociando los
patrones de éxito, para repetirlos una y otra vez
hasta perfeccionarlos y volverse infalible.

Ejemplos: navegación de un vehículo en


automático, toma de decisiones, etc.
Existen otros enfoques más complejos para tareas
más específicas, etc.

También podría gustarte