Hablamos de Machine Learning?
El machine learning es uno de esos temas que ha estado de moda desde hace muchos años, pero que ahora, con la explosión de tecnologías como chatGPT, ha venido tomando más fuerza. Por lo tanto, lo más justo sería que hablemos un poco sobre qué es el Machine Learning desde un punto de vista más teórico.
Para entrar en el asunto, podría decir, en mis propias palabras, que es la capacidad que le damos a la máquina de poder aprender basado en una serie de datos/características. Aunque una aproximación más profunda a esta definición la encontramos gracias a Andrew NG, que es: “Machine learning is the science of getting computers to act without being explicitly programmed.” (El Machine Learning es la ciencia de hacer que las computadoras actúen sin ser programadas explícitamente). Link to Andrew NG Definition.
Creo que esta sencilla definición es suficiente para darnos una idea de lo que estamos hablando. En la programación clásica, dábamos a la computadora una serie de instrucciones en donde cada programa funcionaba de manera secuencial basado en estas instrucciones. Era como si cada programa fuera una carretera en la que cada ruta te lleva por un camino diferente, pero cada camino al final llega al “mismo” lugar que habías programado.
A diferencia del machine learning, que es, por así decirlo, como una carretera en la que las rutas se van creando a medida que se va conduciendo.
Tipos de Machine Learning
Existen 3 grandes campos en los que podriamos dividir el Machine Learning
Supervised Learning (Aprendizaje Supervisado)
En el Supervised Learning, el algoritmo aprende a partir de datos que se encuentran categorizados, los cuales utilizará para hacer predicciones basadas en ciertas características.
Características:
- Los datos disponibles están etiquetados, clasificados o categorizados.
- Se puede predecir un resultado o futuro en base a los datos clasificados.
- Se puede evaluar la eficacia o rendimiento del modelo.
Unsupervised Learning (Aprendizaje no Supervisado)
En Unsupervised Learning, el objetivo es que el algoritmo pueda encontrar patrones y relaciones de datos sin la ayuda de etiquetas o resultados predefinidos.
Características:
- Datos sin etiqueta/no clasificados o no categorizados.
- Es utilizado para descubrir patrones en los datos o para encontrar estructuras o formas en los datos. La idea es agrupar los datos basados en similitudes.
- No se puede evaluar la eficacia del modelo debido a que no hay una salida o resultado esperado.
- Es utilizado también para reducir la complejidad de la información (los datos).
Reinforcement Learning (Aprendizaje por Refuerzo)
En Reinforcement Learning, en lugar de tener una serie de datos organizados o no, lo que tenemos es un agente que interactúa con el entorno, aprendiendo del mismo y aprendiendo a tomar decisiones en base a los fallos y los aciertos, en un proceso constante de retroalimentación y mejora en la toma de decisiones.
Características:
- El aprendizaje se logra a través del proceso; a través de los éxitos y los fallos, el agente va aprendiendo y buscando maneras de encontrar la solución.
- Aprende a tomar decisiones en serio. Esto quiere decir que el agente, a medida que interactúa con el entorno, aprende del entorno, de los aciertos y los fallos, y comienza a formar una serie de decisiones que le ayudan al final a tomar el camino correcto o lograr la salida esperada.
Espero que los conceptos basicos de Machine Learning hayan quedado un poco mas claros, ya enel proximo Post hablaremos en mayor profundidad sobre Supervised Learning y los subsiguientes sobre los otros tipos de Machine Learning…
