Machine Learning

Introducción a Machine Learning

Traduciremos Machine Learning como Aprendizaje Automático. Es la capacidad de una máquina para aprenderQueremos que las máquinas aprendan para ayudarnos en múltiples situaciones. Algunas de las más conocidas son:

  1. Coches que se conducen solos.
  2. Detección de fraude.
  3. Diagnósticos médicos.
  4. Traducciones automáticas de idiomas.

Estos ejemplos presentan desafíos que dependen de la situación. Las soluciones dependen de los datos y del caso particular. No hay una solución explícita. Machine Learning permite a la máquina aprender, adaptarse y decidir en función de los datos disponibles.

La siguiente imagen presenta un ejemplo más sencillo. Para nosotros los humanos es fácil identificar patrones o clasificar elementos. De un vistazo identificamos los cuadrados grandes y los pequeños. La máquina necesita aprender y su forma de pensar es diferente a la nuestra.

rectangulos_grandes_y_pequenos

¿Qué necesitamos saber para aplicar Machine Learning?

Estadística: vital para entender los datos y distribuciones. Es también importante identificar muestras adecuadas pues procesar todos los datos disponibles puede ser imposible en tiempo y recursos. Identificar la correlación y significancia de las dimensiones de los datos.

Matemáticas: representar los desafíos con expresiones matemáticas. Construir modelos que representen los retos.

Preparar los datos: una de las tareas que más tiempo requieren. Saber reorganizar los datos para el análisis. Limpiar o transformar los datos interpretados como inválidos o inexistentes. Aumentar la calidad de los datos disponibles.

Intuición para los datos: saber identificar qué es importante. Definir objetivos específicos y relevantes alcanzables con los datos disponibles. Conocer las posibilidades de los datos.

Visualización de los datos: ser capaz de comunicar los resultados y alcanzar conclusiones. Es muy importante adaptar la visualización a la audiencia para proporcionar conclusiones valiosas que permitan tomar decisiones.

Conocimiento del dominio: una de las formas de entender los datos disponibles. Un experto en el campo de aplicación puede facilitar decisiones informadas para operar los datos y permitir alcanzar los objetivos.

Programación: la herramienta que permite utilizar la máquina para procesar los datos y llegar a las conclusiones. Python, R y Matlab son ejemplos comunes con librerías útiles para Machine Learning. Hojas de cálculo también pueden ayudar a visualizar y procesar los datos.

En la próxima entrada sobre Machine Learning

Compararemos los dos enfoques principales para Machine Learning: el Aprendizaje Supervisado y el Aprendizaje No Supervisado. Pondremos ejemplos para ambos tipos de Aprendizaje Automático.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *