El Machine Learning es la rama de la inteligencia artificial que permite que los sistemas adquieran conocimiento de forma automatizada y mejoren progresivamente la realización de tareas gracias a la experiencia, sin ser programados explícitamente para ello.
Gran parte de los algoritmos y técnicas que se utilizan dentro de este campo pueden clasificarse en 3 grandes grupos en función del paradigma de aprendizaje que estén aplicando. Estos tres grupos son el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo.
Tipos de aprendizaje de los algoritmos de Machine Learning
-
Aprendizaje supervisado:
Los algoritmos “aprenden” de datos que se le ofrecen emparejados (se le da al algoritmo tanto las entradas como las salidas que tendría que obtener). Este tipo de aprendizaje se realiza con ejemplos o datos etiquetados, como fotos con descripciones de las cosas que aparecen en ellas.
Por ejemplo, si queremos que el algoritmo aprenda a diferenciar gatos de perros, le enseñaremos en repetidas ocasiones imágenes de gatos (entradas) y le diremos que son gatos (salidas). Y haremos el mismo proceso con los perros. Cuando él, de por sí, haga una predicción errónea, le corregiremos.
Cuando le hayamos enseñado miles de imágenes sabrá diferenciarlos por sí solo. En este modelo, por tanto, le damos al algoritmo las entradas y las salidas etiquetadas con el objetivo que éste aprenda a predecir nuevas salidas con la experiencia.
Este tipo de algoritmo, por ejemplo, se utiliza en la detección de spam de la mensajería electrónica. El modelo aprende con el simple hecho de que, cuando te llega un correo que no te gusta, lo pones en la carpeta de spam. Además también analiza características de otros mensajes calificados como spam (número de destinatarios, términos concretos, remitente…) y si encuentra coincidencias, los etiqueta como tal.
-
Aprendizaje no supervisado:
Los algoritmos consiguen obtener conocimiento únicamente de los datos que se proporcionan como entrada. A diferencia del aprendizaje supervisado, no se dispone de datos etiquetados, y no se le enseña al sistema qué resultados o salidas queremos obtener (son desconocidos).
En este tipo de aprendizaje los algoritmos buscan similitudes en los datos de entrada, y abstraen patrones. Algunas técnicas que usan los algoritmos son la clusterización (agrupación) o la jerarquía.
Este sería el caso de Netflix: del conjunto de usuarios de la plataforma, los algoritmos abstraen patrones de conducta para realizar las recomendaciones: “A las personas que les ha gustado Indiana Jones también les ha gustado Lara Croft. Por tanto, si acabas de ver la primera, te recomendaré la segunda”.

-
Aprendizaje por refuerzo:
Los algoritmos aprenden y mejoran en su respuesta a partir de la experiencia, usando un proceso de retroalimentación. El sistema aprende del mundo que le rodea y de los errores que comete hasta que encuentra la mejor manera de realizar una tarea.
Este es el caso de los coches autónomos: cuando uno de estos vehículos toma una decisión errónea es penalizado, y aprende a no realizarla de nuevo. Microsoft también utiliza este tipo de técnica en juegos como Minecraft para ver cómo los jugadores pueden mejorar su trabajo.
Estos son los diferentes tipos de aprendizaje de los algoritmos de Machine Learning, una tecnología con un potencial cada vez mayor y cuyo uso está cada vez más extendido en empresas de todo el mundo.
¿Estás interesado en saber qué aplicaciones específicas podría tener la Inteligencia Artificial en una empresa como la tuya? No dudes en contactarnos a hello@algoritmia8.com o al 93 786 87 77 y te asesoraremos al respecto.