El Machine Learning (ML), o aprendizaje automático, es una rama de la Inteligencia Artificial (IA). El ML es un campo de investigación que permite a las computadoras mejorar por sí mismas basándose en datos de entrenamiento o en la experiencia (lo que han aprendido). El Machine Learning puede predecir o tomar decisiones automáticamente sin ser programado específicamente para ello.
Los problemas de Machine Learning se dividen generalmente en dos tipos: predicción y clasificación. Ejemplos de problemas de predicción son la predicción del precio de una vivienda o de un coche. Ejemplos de problemas de clasificación son el reconocimiento de escritura a mano o la identificación de objetos.
Proceso de creación de un CV online
Flujo de trabajo del Machine Learning (Machine Learning Workflow)
El flujo de trabajo del Machine Learning consta de los siguientes pasos:
- Recopilación de datos (Data Collection): Para que una computadora pueda aprender, necesita un conjunto de datos (dataset). Puedes recopilarlos tú mismo o utilizar conjuntos de datos ya publicados. Los datos deben ser precisos y provenir de una fuente fiable para garantizar la eficacia del aprendizaje automático.
- Preprocesamiento (Preprocessing): Este paso consiste en normalizar los datos, eliminar atributos innecesarios, etiquetar los datos, codificar algunas características, extraer características y reducir los datos, pero asegurando la integridad de los resultados. Este paso suele ser el que más tiempo consume, proporcional a la cantidad de datos.
- Entrenamiento del modelo (Training Model): Este es el paso en el que se entrena el modelo, haciéndole aprender de los datos recopilados y procesados en los dos pasos anteriores.
- Evaluación del modelo (Evaluating Model): Después del entrenamiento, se deben usar métricas para evaluar el modelo. Una precisión del modelo superior al 80% se considera buena.
- Mejora (Improve): Si el modelo no alcanza la precisión deseada, es necesario volver a entrenarlo, repitiendo los pasos 3 y 4 hasta alcanzar la precisión esperada.
Tipos de Machine Learning
El Machine Learning se suele clasificar en dos tipos principales:
- Aprendizaje supervisado (Supervised Learning): La computadora aprende de datos que han sido etiquetados (label). Para cada entrada Xi, hay una etiqueta Yi correspondiente.
- Aprendizaje no supervisado (Unsupervised Learning): La computadora aprende de datos no etiquetados. Los algoritmos de Machine Learning encontrarán correlaciones en los datos, modelándolos para que la computadora los entienda y los clasifique en grupos o clases (clustering) similares, o para reducir la dimensionalidad de los datos (dimension reduction).
Algunos conceptos básicos en Machine Learning
- Dataset: Conjunto de datos en su forma original sin procesar. Un dataset contiene múltiples puntos de datos.
- Data Point: Punto de datos, que representa una observación. Cada punto de datos tiene múltiples características o atributos, que se dividen en dos tipos: datos numéricos (numerical) y datos no numéricos/categóricos (non-numerical/categorical).
- Datos de entrenamiento y datos de prueba (Training data y Test data): El dataset se suele dividir en estos dos conjuntos. Los datos de entrenamiento se utilizan para entrenar el modelo y los datos de prueba para predecir los resultados y evaluar el modelo.
- Vector de características (Features vector): Vector que representa un punto de datos en el dataset. Cada vector tiene n dimensiones que representan las características del punto de datos, cada característica es una dimensión y debe ser un dato numérico.
- Modelo (Model): El modelo se utiliza para entrenar con los datos de entrenamiento según el algoritmo del modelo. Posteriormente, el modelo puede predecir o tomar decisiones basándose en lo aprendido.
Aplicaciones del Machine Learning
El Machine Learning tiene una amplia gama de aplicaciones en diversos campos: finanzas, biología, agricultura, búsqueda y extracción de información, automatización, robótica, química, redes informáticas, ciencia espacial, publicidad, procesamiento del lenguaje natural, visión artificial, etc.
Por ejemplo, en la predicción meteorológica, la aplicación del Machine Learning permite a las computadoras aprender de las observaciones registradas en el pasado para predecir el tiempo futuro con mayor precisión que los humanos. La eficacia del Machine Learning hace que su aprendizaje e investigación sean cruciales en la era de la tecnología 4.0.
