Los tres pilares del aprendizaje automático: supervisado, no supervisado y por refuerzo
Siguiendo la línea de la nota "¿Qué es Machine Learning?"
En la nota anterior, exploramos el concepto de Machine Learning (Aprendizaje Automático) a grandes rasgos, definiendo su esencia y destacando su impacto en la sociedad actual. Ahora, profundizaremos en los tres tipos principales de aprendizaje automático: supervisado, no supervisado y por refuerzo.
1. Aprendizaje supervisado:
En este tipo de aprendizaje, el sistema recibe un conjunto de datos con ejemplos etiquetados. A partir de estos ejemplos, el sistema aprende a realizar una tarea específica, como clasificar correos electrónicos como spam o no spam, o predecir el precio de una vivienda.
Ejemplos de algoritmos:
· K-Nearest Neighbors (KNN)
· Regresión lineal
· Regresión logística
· Máquinas de vectores de soporte (SVM)
· Redes neuronales
2. Aprendizaje no supervisado:
En este tipo de aprendizaje, el sistema no recibe ejemplos etiquetados. Debe encontrar patrones y relaciones en los datos por sí mismo. Se utiliza para tareas como agrupar clientes en diferentes segmentos o detectar anomalías.
· Ejemplos de algoritmos:
· K-means clustering
· Análisis de componentes principales (PCA)
· Detección de anomalías
3. Aprendizaje por refuerzo:
En este tipo de aprendizaje, el sistema aprende a tomar decisiones en un entorno interactivo. Recibe una recompensa o penalización por cada acción que toma, y aprende a tomar las acciones que le dan la mayor recompensa a largo plazo. Se utiliza para entrenar robots o agentes para jugar juegos.
Ejemplos de algoritmos:
· Q-learning
· Deep Q-learning
· Actor-critic
Aplicaciones de ML y Ejemplos
Las aplicaciones más frecuentes del Machine Learning son:
Reconocimiento de Imágenes
Se utilizan diversos algoritmos para poder comprender imágenes sobre todo Deep Learning, encontrar algo en particular o agrupar zonas. Sabemos que las imágenes son conjuntos de pixeles continuos y cada uno contiene información del color que tiene que “iluminar” (por ejemplo RGB). Los ejemplos comunes son los de Reconocimiento de Caracteres ópticos, es decir, encontrar letras, agruparlas, encontrar espacios y poder descifrar textos y el otro ejemplo es el de detectar personas en imágenes, presencia humana en cámaras de seguridad o más recientemente se utilizan redes neuronales convolucionales para detectar rostros: reconocimiento facial, seguramente más de una vez Facebook fue capaz de localizar a tus primos y hermanos en tus álbumes de fotos.
Reconocimiento de Voz
A partir de las ondas de sonido sintetizadas por el micrófono de tu ordenador, smartphone o de tu coche, los algoritmos de Machine Learning son capaces de limpiar ruido, intuir los silencios entre palabras y comprender tu idioma para interpretar tus ordenes, ya sea “Siri, Agregar un Recordatorio para el lunes que viene” o “Ok Google, Poner música de Coldplay” o hasta hacer reservas y pedir pizza. Parte del reconocimiento se hace mediante el Procesamiento del Lenguaje Natural (NLP en inglés).
Clasificación
Consiste en identificar a que Clase pertenece cada individuo de la población que estamos analizando. Se le asignará un valor discreto de tipo 1, 0 como en la clasificación de Spam o no. También podría ser clasificar si un tumor es benigno o no o al clasificar flores según las características obtenidas.
Salud
Dados los síntomas presentados por un paciente en una base de datos de pacientes anónimos nuestra máquina deberá ser capaz de predecir si es probable que esa persona pueda sufrir una enfermedad específica. Este tipo de Aprendizaje Automático es de suma delicadeza y puede servir como soporte para un equipo médico.
Economía y Finanzas
Se podrá dar soporte a analistas financieros intentando predecir determinadas cotizaciones de acciones en la Bolsa, ayudando a decidir si conviene comprar, mantener o vender.
Ignacio Manuel Fernandez - Business Analyst Prisma Medios de Pago
Te puede interesar
Guerra de cerebros en Meta: superinteligencia genera tensiones en la empresa
La estrategia de Mark Zuckerberg para dominar el futuro de la inteligencia artificial ha desencadenado una crisis interna en Meta que amenaza con desestabilizar la estructura de talentos de la compañía tecnológica
Musk reconoce liderazgo de Google en inteligencia artificial
Una declaración inesperada de Elon Musk ha sacudido el panorama tecnológico al reconocer públicamente que Google mantiene la posición más ventajosa para liderar el desarrollo de inteligencia artificial a nivel global
Según Goldman Sachs la Inteligencia Artificial está aumentando el desempleo en trabajadores más jóvenes
Los efectos disruptivos de la inteligencia artificial en el mercado laboral estadounidense comienzan a manifestarse con especial intensidad entre los profesionales tecnológicos de menor edad, según revela un análisis divulgado por Goldman Sachs
Airbnb prevé transformación total hacia IA y agentes autónomos
La industria tecnológica asiste a una declaración revolucionaria que podría redefinir el panorama de las aplicaciones móviles
OpenAI lanza GPT-5 con 4 variantes y memoria persistente
La compañía liderada por Sam Altman ha presentado oficialmente su quinta generación de inteligencia artificial generativa, marcando un hito tecnológico que promete revolucionar la interacción entre humanos y sistemas automatizados
¿Podrá la IA desarrollar lenguaje propio no comprensible para humanos? El Nobel de Física Geoffrey Hinton cree que sí
El laureado Nobel de Física Geoffrey Hinton planteó recientemente una preocupación fundamental sobre la evolución futura de los sistemas de inteligencia artificial: la posibilidad de que estos desarrollen métodos de comunicación interna completamente inaccesibles para la comprensión humana
Guerra en la nube: Microsoft revela ingresos de Azure y permite primera comparación real con AWS
La industria tecnológica experimentó un momento histórico esta semana cuando Microsoft Corporation decidió romper años de opacidad financiera al divulgar por primera vez las cifras exactas de ingresos de su división de computación en la nube
Tim Cook abre Apple a compras masivas para competir en IA
La compañía de Cupertino experimenta un cambio estratégico fundamental en su aproximación al crecimiento corporativo, abandonando su tradicional cautela hacia las grandes adquisiciones para adoptar una postura agresivamente expansiva en el mercado de inteligencia artificial
Trump condiciona fondos federales a regulación favorable a la Inteligencia Artificial
La administración estadounidense intensifica su estrategia para evitar restricciones regulatorias sobre inteligencia artificial mediante un mecanismo de presión financiera dirigido hacia los gobiernos estaduales