Menú Cerrar

Introducción

En esta entrada hablaremos de un tema muy importante: el Machine Learning. Sin duda algo que ha venido revolucionando en los últimos años y que no está nada lejos de esas películas de ciencia y ficción que tanto nos gusta. Así que comenzaremos con lo básico para no causar confusiones para después ir profundizando más en el tema.

Machine learning, del ser humano a una máquina
Machine Learning ¿La computadora puede aprender?

A lo largo de la evolución tecnológica, las computadoras han logrado realizar diversas actividades: hablar como una persona, reconocer caras, minar datos etcétera. Cada vez comienzan a hacer cosas que nosotros no hubiéramos imaginado. Pero, en algunas ocasiones estas actividades no las logran hacer bien, les toma mucho tiempo y requiere de mejoras constantemente por medio de intervención humana. Una manera efectiva en que las computadoras están mejorando es por medio del aprendizaje maquina mejor conocido como Machine learning. Por lo que lo hace un ámbito de la Inteligencia Artificial creando sistemas que aprenden automáticamente. Si no sabes qué es la inteligencia artificial, lee nuestra entrada sobre esta rama haciendo click aquí. Sigamos…

¿Qué es el Machine Learning?

El machine learning o Aprendizaje Automático es una rama de las ciencias informáticas relacionada con el desarrollo de inteligencia artificial en la que se le da la capacidad a la computadora de aprender cómo clasificar los datos que se le ingresa.

Entonces, de seguro te estás preguntando: ¿una computadora puede aprender? y si es así ¿Cómo lo hace? Sigue leyendo, eso te lo platico a continuación.

¿Cómo una computadora puede aprender por medio de Machine Learning?

Algunos creen que es algo muy complicado, y es que solo de imaginarnos en cómo hacer para que la computadora aprenda pareciera que las ideas tienen que salir de una película de ciencia y ficción, pero lo que en realidad hace la computadora es reconocer patrones.

Pero… ¿Cómo le enseñamos eso?

Cuando ya tenemos un conjunto de datos debemos etiquetarlos para indicar de qué trata cada dato. Estos datos son instancias que tienen atributos (características) con los que podemos clasificarlos en clases. Estos datos pueden estar clasificados o no. Si se encuentran organizados, contarán con una etiqueta que los clasifica de una manera u otra de acuerdo con sus atributos (características). En caso contrario, se busca qué atributos los hace de la misma clase y se asignan etiquetas de acuerdo con esos valores.

En pocas palabras, la computadora aprende mediante un algoritmo que revisa los datos y es capaz de pronosticar acciones futuras. Para esto la computadora utiliza algoritmos de clasificación. Por ahora solo veremos los algoritmos, en otras entradas los implementaremos. Si quieres saber más sobre cada algoritmo, haz click en los enlaces.

¿Cuáles son los algoritmos de clasificación más utilizados?

  1. Random Forest
  2. Support vector machine
  3. Linear classifiers

Estos algoritmos funcionan asignando etiquetas dependiendo de las características del dato. Para que esto a futuro funcione correctamente se le dan datos de entrenamiento y dependiendo del problema variará la cantidad de datos, características y etiquetas.

A continuación veremos un ejemplo del uso de los algoritmos de clasificación anteriormente mencionados.

Si queremos clasificar figuras geométricas nos interesa saber el número de lados para darle una etiqueta (clasificación). Por lo que saber el tamaño de la figura y el color no nos ayuda a clasificar. A esto se le conoce como acondicionar la información donde el programador tiene la tarea de descartar datos irrelevantes de los datos de entrenamiento, hacer esto ayuda al algoritmo a no caer en patrones erróneos o respuestas equivocadas.

Una vez teniendo nuestros datos, se hacen pruebas de rendimiento que ayuda a saber qué tan eficiente es el algoritmo al momento de clasificar los datos midiendo el porcentaje de errores o de aciertos. Con esos resultados se puede minimizar el porcentaje de error, obteniendo mejor clasificación y predicción.

Para finalizar, teniendo el algoritmo entrenado y ajustado, estará listo para recibir información de forma aleatoria. Si los datos cumplen con las características con las que fue entrenado, podrá etiquetarlos de acuerdo a ello.

Resumen

En esta entrada vimos una introducción al machine learning. Podemos deducir entonces que el machine learning es identificar y aprender patrones en datos. Más adelante conoceremos en qué consiste cada algoritmo de clasificación, así como algunos ejemplos de proyectos de Machine Learning, aprenderemos poco a poco para ir entrenando nuestra mente.

Acerca del autor

Alethia Imperia Velasco Aguilar

Ingeniera en Sistemas Computacionales. Investigadora en el diseño de proyectos científicos y tecnológicos.

Comparte el artículo en tus redes sociales

Artículos relacionados

Deja una respuesta

Tu dirección de correo electrónico no será publicada.

× ¿Cómo puedo ayudarte?