¿Que es el machine learning?
El machine learning o aprendizaje automático es un subcampo de la inteligencia artificial que se enfoca en construir sistemas informáticos que puedan aprender de los datos sin ser programados explícitamente. (Esto también se conoce como «aprendizaje profundo» o «redes neuronales artificiales»). Eso significa que las computadoras pueden programarse para identificar cosas y tomar decisiones por sí mismas.
El machine learning es una técnica que permite que los programas de computadora sean cada vez más precisos en la predicción de resultados sin ser programados explícitamente. Se ha convertido en un tema candente en la industria informática.
1. El machine learning es la ciencia de hacer que las computadoras actúen sin ser programadas explícitamente.
2. El machine learning es un subconjunto de la inteligencia artificial (IA).
3. El machine learning es un conjunto de algoritmos y técnicas para el descubrimiento automático de patrones y regularidades en los datos.
4. Los sistemas de machine learning pueden aprender de ejemplos y hacer predicciones
En conclusión, si bien el aprendizaje automático existe desde hace un tiempo, los avances tecnológicos recientes de empresas como Google e IBM lo están haciendo mucho más accesible y relevante para los consumidores cotidianos. Estos avances han llevado la investigación del aprendizaje automático a nuevas alturas y continuarán revolucionando la forma en que se usa la tecnología en nuestra vida cotidiana.
Técnicas del machine learning
Para mejorar la precisión de los modelos predictivos y según la naturaleza del problema que se está analizando se usan diferentes técnicas.
Aprendizaje supervisado.
El aprendizaje supervisado comienza típicamente con un conjunto establecido de datos y una cierta comprensión de cómo se clasifican estos datos.
Tiene la intención de encontrar patrones en datos que se pueden aplicar a un proceso de analítica.
Aprendizaje no supervisado.
El aprendizaje no supervisado se utiliza cuando el problema requiere una cantidad masiva de datos sin etiquetar. Por ejemplo, las aplicaciones de redes sociales, tales como Twitter, Instagram y Snapchat, tienen grandes cantidades de datos sin etiquetar. La comprensión del significado detrás de estos datos requiere algoritmos que clasifican los datos con base en los patrones o clústeres que encuentra. El aprendizaje no supervisado lleva a cabo un proceso iterativo, analizando los datos sin intervención humana. Se utiliza con la tecnología de detección de spam en e-mails. Existen demasiadas variables en los e-mails legítimos y de spam para que un analista etiquete una cantidad masiva de e-mail no solicitado. En su lugar, los clasificadores de machinelearning,basados en clustering y asociación, se aplican para identificar e-mail no deseado.
Aprendizaje de refuerzo.
El aprendizaje de refuerzo es un modelo de aprendizaje conductual. El algoritmo recibe retroalimentación del análisis de datos, conduciendo el usuario hacia el mejor resultado. El aprendizaje de refuerzo difiere de otros tipos de aprendizaje supervisado, porque el sistema no está entrenado con el conjunto de datos de ejemplo. Más bien, el sistema aprende a través de la prueba y el error. Por lo tanto, una secuencia de decisiones exitosas conduce al fortalecimiento del proceso, porque es el que resuelve el problema de manera más efectiva.
Deep learning.
El deep learning es un método específico de machine learning que incorpora las redes neuronales en capas sucesivas para aprender de los datos de manera iterativa. El deep learning es especialmente útil cuando se trata de aprender patrones de datos no estructurados. Las redes neuronales complejas de deep learning están diseñadas para emular cómo funciona el cerebro humano, así que las computadoras pueden ser entrenadas para lidiar con abstracciones y problemas mal definidos. Las redes neuronales y el deep learning se utilizan a menudo en el reconocimiento de imágenes, voz y aplicaciones de visión de computadora.
