![\"\"](\"http:\/\/blog.espol.edu.ec\/geek\/files\/2021\/02\/machine-learning-300x179.jpg\")
<\/p>\nCon la evoluci\u00f3n de la inteligencia artificial, los investigadores de ciencias de la computaci\u00f3n sugieren constantemente nuevos enfoques para que los ordenadores sean a\u00fan m\u00e1s aut\u00f3nomos y capaces de realizar tareas con precisi\u00f3n.<\/p>\n
<\/p>\n
Por este motivo, ha aumentado el uso de algoritmos de aprendizaje autom\u00e1tico para resolver problemas complejos. Entre sus ventajas est\u00e1 la capacidad de las m\u00e1quinas de aprender sin estar programadas expl\u00edcitamente para una actividad concreta.<\/p>\n
En este art\u00edculo hablaremos de los 3 enfoques principales del machine learning: supervisado, no supervisado y por refuerzo.<\/p>\n
Tradicionalmente, los programadores siempre han desarrollado sistemas que especifican claramente cada paso del c\u00f3digo. Para ello, los ingenieros de software deb\u00edan conocer los problemas que trataban de resolver y tener una buena idea de todas las variables y posibilidades implicadas.<\/p>\n
El machine learning (aprendizaje autom\u00e1tico) es un subcampo de la inteligencia artificial que pretende resolver problemas m\u00e1s complejos, de los que los programadores a\u00fan no tienen un conocimiento tan amplio.<\/p>\n
Tambi\u00e9n se aplica cuando no es factible asignar todas las variables y posibilidades. Para ello, se estimula a los sistemas para que resuelvan los problemas de forma aut\u00f3noma, aprendiendo sobre ellos y proponiendo una salida.<\/p>\n
En este contexto, los algoritmos analizan los datos de entrada, los procesan y predicen los posibles resultados dentro de un rango definido. En el proceso, prueban diferentes enfoques y optimizan su capacidad para alcanzar el resultado.<\/p>\n
Los sistemas artificiales de ML pasan por dos fases: el entrenamiento y la ejecuci\u00f3n. En el primero, se alimentan de un conjunto de entradas para que se contextualicen con la situaci\u00f3n espec\u00edfica que rodea al problema.<\/p>\n
Luego, en la segunda etapa, comienzan a deducir los caminos a partir de lo aprendido en la etapa anterior. Estas dos fases var\u00edan en funci\u00f3n del tipo de algoritmo, como veremos m\u00e1s adelante en este art\u00edculo.<\/p>\n
Aunque no es nuevo, el Aprendizaje Autom\u00e1tico es un campo de conocimiento en desarrollo, es decir, que a menudo gana nuevos enfoques y nuevos modelos. Estas evoluciones buscan resolver los problemas con mayor precisi\u00f3n y ofrecen opciones especiales para que cada herramienta se adapte al problema espec\u00edfico.<\/p>\n
A continuaci\u00f3n, hablaremos de los principales m\u00e9todos de ML y sus caracter\u00edsticas.<\/p>\n
El aprendizaje supervisado es \u00fatil cuando se dispone de una propiedad (etiqueta) para un conjunto de datos concreto (conjunto de entrenamiento). Todas las entradas y salidas son conocidas, pero hay que preverlas para otras instancias.<\/p>\n
A continuaci\u00f3n, estos datos se transmiten al sistema de aprendizaje, que tiene la funci\u00f3n de encontrar caminos y ajustar su propio modelo para conseguir los resultados esperados.<\/p>\n
Un ejemplo pr\u00e1ctico ser\u00eda ense\u00f1ar a una m\u00e1quina a reconocer y clasificar los correos electr\u00f3nicos, separando los que son relevantes de los que son SPAM.<\/p>\n
En la fase de entrenamiento, se transmiten al algoritmo muestras de ambos casos, ya que los dos bloques de informaci\u00f3n son totalmente conocidos. Ya en la fase de ejecuci\u00f3n, el sistema tendr\u00e1 la capacidad de determinar si un nuevo correo electr\u00f3nico es o no un mensaje no deseado.<\/p>\n
En otras palabras, el software ya sabe qu\u00e9 entradas est\u00e1n asociadas a qu\u00e9 salidas, pero necesita aprender una forma de entender esta asociaci\u00f3n.<\/p>\n
En este proceso, trata de identificar patrones y establecer predicciones que ayuden a optimizar el enfoque. Este modelo tiene ese nombre porque es como si el operador humano estuviera siempre asistiendo al sistema, ense\u00f1\u00e1ndole de forma directa.<\/p>\n
Los resultados de este tipo de algoritmos suelen marcarse como clasificaci\u00f3n y regresi\u00f3n. La primera se refiere a una forma de asignar elementos iguales a categor\u00edas espec\u00edficas, como en el ejemplo anterior, \"spam\" y \"no spam\". La segunda es identificar una tendencia de los datos que permita incluso predecir el futuro a partir de los datos hist\u00f3ricos.<\/p>\n
Una aplicaci\u00f3n com\u00fan es en la industria de la seguridad, con el uso de herramientas para identificar comportamientos sospechosos en una red y garantizar la protecci\u00f3n contra los ataques.<\/p>\n
En el aprendizaje no supervisado, el reto consiste en descubrir relaciones impl\u00edcitas en un conjunto de datos no etiquetados. De este modo, el algoritmo se encarga de identificar patrones para etiquetar los datos.<\/p>\n
Un ejemplo muy com\u00fan es el de la empresa que proporciona como base a un sistema de ML un conjunto de datos sobre los clientes y espera que identifique posibles atributos comunes y patrones de comportamiento para crear ofertas espec\u00edficas y segmentadas. Al principio, la empresa no conoce bien la informaci\u00f3n para saber los posibles resultados.<\/p>\n
Es como aprender sin ayuda humana, con el sistema dictando los caminos a seguir. En este modelo de algoritmo, las estrategias comunes son la agrupaci\u00f3n y la reducci\u00f3n de dimensiones.<\/p>\n
Enfoques como \u00e9ste pueden utilizarse en los sistemas de recomendaci\u00f3n, en los que, bas\u00e1ndose en informaci\u00f3n colaborativa o espec\u00edfica, un software puede filtrar el contenido ideal entre una mir\u00edada de ellos.<\/p>\n
Se utiliza mucho en las tiendas de comercio electr\u00f3nico para recomendar productos que pueden ser interesantes para el cliente que visita el sitio. Del mismo modo, hay servicios de streaming que sugieren m\u00fasica o v\u00eddeos que deber\u00eda ver un usuario. Tanto Netflix como Amazon utilizan este enfoque para crear sus algoritmos de recomendaci\u00f3n.<\/p>\n
En este m\u00e9todo de aprendizaje, que sigue el estilo utilizado al principio de los estudios de Inteligencia Artificial, se estimula al ordenador para que aprenda a base de ensayo y error, optimizando el proceso en la pr\u00e1ctica directa. Con este enfoque, es posible, por ejemplo, ense\u00f1ar a un sistema a priorizar unos h\u00e1bitos sobre otros, con recompensas proporcionales al \u00e9xito.<\/p>\n
El aprendizaje por refuerzo se inspir\u00f3 en los psic\u00f3logos conductistas, que cre\u00edan en la eficacia de los premios y castigos en la educaci\u00f3n de los seres humanos. Tambi\u00e9n recuerda el procedimiento de adiestramiento de mascotas.<\/p>\n
Es un m\u00e9todo, por tanto, basado en la construcci\u00f3n de la experiencia. A partir de ah\u00ed, el algoritmo sabe qu\u00e9 caminos son mejores que otros y qu\u00e9 procesos son m\u00e1s \u00e1giles.<\/p>\n
Ejemplos de aplicaci\u00f3n son los veh\u00edculos aut\u00f3nomos y las m\u00e1quinas que juegan al ajedrez. El sistema aprende a partir de m\u00faltiples intentos, que implican errores como un mal movimiento o un choque contra un obst\u00e1culo.<\/p>\n","protected":false},"excerpt":{"rendered":"
Con la evoluci\u00f3n de la inteligencia artificial, los investigadores de ciencias de la computaci\u00f3n sugieren constantemente nuevos enfoques para que los ordenadores sean a\u00fan m\u00e1s aut\u00f3nomos y capaces de realizar tareas con precisi\u00f3n. Por este motivo, ha aumentado el uso de algoritmos de aprendizaje autom\u00e1tico para resolver problemas complejos. Entre sus ventajas est\u00e1 la capacidad …<\/p>\n","protected":false},"author":11168,"featured_media":7,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[818],"tags":[],"class_list":["post-6","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-sin-categoria"],"_links":{"self":[{"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/posts\/6","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/users\/11168"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/comments?post=6"}],"version-history":[{"count":1,"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/posts\/6\/revisions"}],"predecessor-version":[{"id":8,"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/posts\/6\/revisions\/8"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/media\/7"}],"wp:attachment":[{"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/media?parent=6"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/categories?post=6"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/geek\/wp-json\/wp\/v2\/tags?post=6"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}