Machine learning (AM) y sus aplicaciones

El Aprendizaje de Máquina (AM) está formando su propio nombre, con un reconocimiento en crecimiento que muestra que puede jugar un papel importante dentro de una gran gama de aplicaciones cruciales, como lo son minería de datos, procesador de idioma natural, reconocimiento de imagen y sistemas de expertos. AM provee posibles soluciones en todos estos dominios y más.

¿Qué es el aprendizaje de máquina?

Arthur Samuel en 1959 dijo:

“[Aprendizaje de máquina es el] campo de estudio que da a las computadoras la habilidad de aprender sin ser programadas explícitamente.”

La compleja naturaleza de muchos problemas de la vida real, comúnmente significa que inventar algoritmos especializados que los resolverían, no es práctico y hasta imposible. AM resuelve problemas que no pueden ser resueltos a través de medios numéricos únicamente.

Se traza una distinción crucial entre aprendizaje de máquina supervisado y no supervisado:

Aprendizaje de máquina supervisado: el programa está “entrenado” en un set pre-definido de “ejemplos de entrenamiento”, lo cual después facilita su habilidad de alcanzar una conclusión acertada cuando se le pasa nueva data.

Aprendizaje de máquina no supervisado: al programa se le da una cantidad de data y debe encontrar patrones y relaciones dentro de éste.

Aprendizaje de máquina supervisado

En la mayoría de las aplicaciones del aprendizaje supervisado, lo que se quiere lograr es crear una función de predicción bien perfeccionada. “Aprender” consiste en usar algoritmos matemáticos para optimizar esta función para que, al darle data sobre cierto dominio, haga una predicción precisa de un valor interesante.

La meta es hacer predicciones que sean lo suficientemente buenas para ser útiles.

El AM se basa fuertemente en estadísticas. Por ejemplo, cuando entrenamos a nuestra máquina para que aprenda tenemos que darle una muestra aleatoria estadísticamente significativa como datos de entrenamiento. Si el set de entrenamiento no es aleatorio, existe la posibilidad de que la máquina aprenda patrones que en realidad no están en la muestra. Y si el set de entrenamiento es muy pequeño, no sabremos mucho y puede ser que se obtengan resultados inconclusos. Por ejemplo si intentamos predecir patrones de satisfacción de toda una compañía recolectando datos solamente de los gerentes, probablemente tendríamos muchos errores.

La complejidad

En lugar de usar fuerza bruta, un sistema de aprendizaje de máquina “siente todo” hasta encontrar la respuesta. Para grandes problemas esto funciona mucho mejor. Aunque esto no significa que el AM pueda resolver cualquier problema complejo arbitrario (no puede), pero sí significa que es una herramienta muy eficaz y flexible.

Clasificación

Del AM supervisado existen dos sub-categorías importantes:

Sistemas de regresión de aprendizaje de máquina: sistemas donde el valor que se predice está en algún lugar de un espectro continuo. Estos sistemas nos ayudan con preguntas tipo “¿Cuánto es?” o “¿Cuántos son?”.

Sistemas de clasificación de aprendizaje de máquina: sistemas en los cuales se busca una predicción de sí-o-no, por ejemplo: “¿Este tumor es cancerígeno?”, “¿Esta galleta pasó nuestro estándar de calidad?” y preguntas por el estilo.

Una introducción a las redes neuronales

Ninguna discusión sobre AM estaría completa sin al menos mencionar las redes neuronales. Estas no solo ofrecen una herramienta extremadamente poderosa para resolver problemas difíciles sino que también ofrecen pistas sobre cómo funcionan nuestros cerebros, al igual que intrigantes posibilidades para algún día crear máquinas inteligentes. Las redes neuronales son excelentes para problemas de aprendizaje de máquina en los que las entradas son gigantes.

Aprendizaje de máquina sin supervisión

Un aprendizaje sin supervisión normalmente se le asigna encontrar relaciones entre data. Se le da al sistema un set de data y se le asigna la tarea de buscar patrones y correlaciones dentro de éste. Un buen ejemplo es identificar grupos de amigos cercanos en data de redes sociales.

Los algoritmos usados para lograr esto, son muy distintos a aquellos usados para el aprendizaje supervisado y el tema amerita su propio artículo.

Conclusión

El aprendizaje de máquina es una herramienta increíblemente poderosa. En los años venideros, promete ayudar a resolver algunos de nuestros problemas más inmediatos, al igual que abrir nuevos mundos de oportunidades. La demanda de ingenieros AM continuará creciendo y ofrecerá increíbles oportunidades de ser parte de algo especial. ¡Espero que consideres ser parte de la acción!

Si tienes alguna duda o inquietud en temas de emprendimiento, creación de empresas,  estructuración de modelos de negocio, dudas jurídicas relacionadas o quieres una revisión jurídica en temas de tecnología, ingresa a http://www.abogadotic.co, escríbenos al correo servicioalcliente@abogadotic.co, o pregunta en nuestras redes sociales:

twitter @NODAbogada     facebook_16423 @abogadotic.co     linkedin_circle_color-512 Natalia Ospina 

Artículo Escrito Por:BY NICK MCCREA – SOFTWARE ENGINEER @TOPTAL 

Traducido Por: MARISELA ORDEZ

Editado Por: Grupo D&P SAS en colaboración y bajo autorización de TOPTAL

Artículo Original en: TOPTAL

Imagen: xb100 / Freepik

Las opiniones compartidas y expresadas por los periodistas y contribuyentes de este blog son libres e independientes y de ellas son responsables sus propios autores. No reflejan ni comprometen la responsabilidad, la opinión de GRUPO D&P SAS, y tampoco constituyen asesoría o consultoría legal, por lo cual no pueden ser interpretadas como recomendaciones emitidas por GRUPO D&P SAS. 

 

Anuncios

2 Comentarios Agrega el tuyo

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

w

Conectando a %s