Una (Muy) Rápida Introducción al Machine Learning

A medida que nos adentramos en los tiempos futuros, el hombre se esfuerza por descubrir todos los secretos de la tecnología. Todos (o casi todos) los seres de este mundo quieren crear una tecnología que se dice que superará al ser humano cien veces, convirtiéndose en el comienzo de una nueva era en la que una máquina podría poseer la capacidad de gobernar el mundo, la era en la que la paz mundial podría verse amenazada. Se conoce como ASI - una Super Inteligencia Artificial. Es la base - Machine Learning.

2017-11-bot-1613606_960_720-min-min-e1536045072714

Concepto por Contexto
En los años 50, Alan Turing creó el Turing Test para determinar si una máquina era realmente inteligente. Para superar la prueba, una máquina tenía que ser capaz de engañar a un humano haciéndole creer que era humano en lugar de un ordenador. Sin embargo, la concepción del aprendizaje automático surgió cuando Arthur Samuel, pionero en el campo de los juegos de ordenador y la IA, escribió el primer programa de aprendizaje por ordenador.

El término “Máquina” representa un ordenador, un teléfono móvil o cualquier dispositivo que comprenda circuitos eléctricos y que necesite energía eléctrica o una fuente de alimentación para funcionar. “Aprendizaje” se refiere a la capacidad de un objeto para aislar, descubrir y replicar patrones y utilizarlos para realizar tareas, de forma muy parecida a como funciona el ser humano. El aprendizaje automático suele abreviarse como ML. La potencia computacional y las ventajas del ML no salieron a la luz hasta hace poco. A medida que pasa el tiempo, la versatilidad del ML no hace más que aumentar.

El Aprendizaje Automático, o Machine Learning, es un subconjunto del campo más amplio de la inteligencia artificial (IA) que “se centra en enseñar a los ordenadores cómo aprender sin necesidad de ser programados para tareas específicas”.

Es esencial saber que en el aprendizaje automático, un programador no codificará explícitamente todos los posibles resultados del programa. En su lugar, el desarrollador programará la capacidad de la aplicación para aprender basándose en lo que esta aplicación ha aprendido previamente, y utilizará esto para decidir los resultados de los problemas presentes o futuros. El punto de referencia que una máquina utiliza para aprender y del que aprende se conoce como modelo.

En el Machine Learning, el modelo se genera mediante algoritmos. Un algoritmo es simplemente un conjunto de reglas/instrucciones que sigue un ordenador o cualquier objeto cuando realiza una determinada tarea. Estos algoritmos tienen parámetros, que son básicamente los “ajustes”. Al manipular la “configuración”, podemos ajustar la forma en que el ordenador aprende de los datos que tiene a mano y, en última instancia, estamos cambiando el modelo que se está compilando como resultado.

Supervised Learning. Los modelos de aprendizaje supervisado son aquellos en los que se aprenden funciones, relaciones que asocian entradas con salidas, por lo que se ajustan a un conjunto de ejemplos de los que conocemos la relación entre la entrada y la salida deseada.

Este algoritmo consiste en una variable objetivo/resultado (o variable dependiente) que debe predecirse a partir de un conjunto dado de predictores (variables independientes). A partir de este conjunto de variables, se genera una función que asigna las entradas a las salidas deseadas.

Unsupervised Learning. Adicionalmente, los modelos de aprendizaje no supervisado son aquellos en los que no estamos interesados en ajustar pares, sino en aumentar el conocimiento estructural de los datos disponibles, por ejemplo, dando una agrupación de los datos según su similaridad.

En este algoritmo, no tenemos ninguna variable objetivo o de resultado para predecir / estimar. Se utiliza para agrupar a la población en diferentes grupos, lo que se utiliza ampliamente para segmentar a los clientes en diferentes grupos para una intervención específica.

Cualquier software que utilice ML es más independiente que las instrucciones codificadas manualmente para realizar tareas específicas. El sistema aprende a reconocer patrones y a hacer valiosas predicciones. Si la calidad del conjunto de datos fuera alta, y las características se eligieran correctamente, un sistema alimentado por ML puede llegar a ser mejor que los humanos en una tarea determinada.

¡Cuéntame tu perspectiva del Machine Learning! :thinking: :robot:

Referencias
El Naqa, I., & Murphy, M. J. (2015). What is machine learning?. In machine learning in radiation oncology (pp. 3-11). Springer, Cham.

Zhang, X. D. (2020). Machine learning. In A Matrix Algebra Approach to Artificial Intelligence (pp. 223-440). Springer, Singapore.

1 me gusta