Introducción al aprendizaje automático
"MACHINE LEARNING"
Partiendo de lo que nos ha explicado E. Nieto en la entrada anterior sobre la IA (Inteligencia Artificial), en esta entrada nos adentraremos aún más en el mundo de las inteligencias artificiales, más concretamente en el aprendizaje automático o en la capacidad de "aprender" de las máquinas.
Existen varias definiciones de "Machine Learning" o el Aprendizaje automático, una acepción es que son un tipo de inteligencia artificial (IA) que proporciona a las computadoras la capacidad de aprender sin ser programadas explícitamente. Esta definición es bastante general, por lo que varios expertos han intentado definir el concepto de maneras más concretas.
 |
| Tom M. Mitchel dando una conferencia |
Tomemos como ejemplo que la tarea (T) de una computadora es sumar dos números y obtener el resultado correcto. Para considerar que la computadora aprende, primero se le tienen que enseñar algunos ejemplos (E): 1+1=2, 5+7=12, 15+31= 46, etc. Al principio la computadora puede que haga algunos ejemplos mal y otros bien, por lo tanto su índice de acierto será su rendimiento (P). Se dirá que la máquina está aprendiendo siempre y cuando, el rendimiento o acierto (P) de las tareas (obtener suma, T) mejora con los ejemplos (A+B=C).
Esta última definición quizá sea un tanto confusa y no sería de extrañar que hubiera que releer y procesar la definición un par de veces. Pero, por lo que a nosotros nos respecta, nos quedaremos con la idea de que el aprendizaje automático se basa en desarrollar técnicas que permitan que las computadoras aprendan.
Dentro del aprendizaje automático generalmente se hace distinción entre dos tipos de aprendizaje, el aprendizaje supervisado y el aprendizaje NO supervisado.
A su vez, el aprendizaje supervisado se divide en otras dos secciones: regresión y clasificación. Y dentro del no supervisado está la técnica del clustering.
 |
| Esquema de "Machine Learning". Para ver la clara división entre aprendizaje supervisado y no supervisado, y sus posteriores divisiones. |
Aprendizaje supervisado
Se dice que el aprendizaje de una máquina es supervisado cuando se conoce como será la salida, “la respuesta correcta” o los grupos que se van a crear. En otras palabras, se sabe la relación que hay entre la entrada (x(t)) y la salida (y(t)).
- REGRESIÓN
La regresión se da cuando la salida (y(t)) es continua, o sea, al meter una entrada la máquina responde con un valor de salida.
Pongamos por caso que se quiere predecir el precio de una casa según los metros cuadrados que tiene. Para empezar, a partir de unos ejemplos ya existentes se entrenará la máquina para que consiga una relación entre los metros cuadrados (entrada) y el precio (salida). Una vez entrenado solo falta meter el área de la casa para calcular el precio.
- CLASIFICACIÓN
La clasificación agrupa todos los sistemas o problemas en las cuales la salida es discreta, SÍ o NO (1 o 0). Cuando se introduce una entrada en la máquina, esta nos responderá si pertenece a un grupo o a otro.
Un claro ejemplo de esta aplicación es la distinción entre tumores benignos o malignos teniendo como entrada la foto de un tumor.
 |
| Aprendizaje supervisado: Clasificación y Regresión |
Aprendizaje NO supervisado
A diferencia del aprendizaje supervisado, en el NO supervisado no sabemos
en qué grupos o salidas va a terminar. El proceso de resolución se da procesando primero las salidas y luego creando los grupos. A esto se le conoce técnicamente como "Clustering" o agrupamiento, y no hay feedback
basado en los resultados de predicción.
Resumiendo...
En resumidas cuentas, en esta entrada se ha explicado lo que es el "Machine Learning" usando varias definiciones, seguido de qué tipos de aprendizajes existen. En las siguientes entradas profundizaremos más sobre diferentes técnicas del "Machine Learning" y sus características.
Comentarios
Publicar un comentario