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