Tipos de Machine Learning

El Machine Learning es de gran ayuda para modelar y recopilar conocimiento, con la finalidad de facilitar información especifica y para la elaboración de mejores herramientas de trabajo para las personas.

El Machine Learning utiliza algoritmos que realizan muchas acciones por cuenta propia. Estos obtienen cálculos propios según la cantidad de datos recogidos en el sistema y mientras se obtengan más datos, las acciones resultantes serán mejores y más precisas.

Hasta cierto punto, estas computadoras se programan a sí mismas, empleando estos algoritmos, los cuales tienen la función de actuar como un ingeniero que pueda diseñar nuevas respuestas, según la información que se le suministra por medio de su interfaz. Absolutamente todos estos datos se transforman en un algoritmo, y mientras sea en mayor cantidad, la complejidad y efectividad de cálculo que proporcionen también será mayor para el sistema informático.

Quieres profundizar más sobre el Machine Learning

Si te interesa conocer más sobre este tema, seguro te interesará conocer los objetivos y temarios de estos postgrados:

Tipos de Machine Learning

Aprendizaje supervisado

En el aprendizaje supervisado, los algoritmos trabajan con datos “etiquetados” , intentado encontrar una función que, dadas las variables de entrada (input data), les asigne la etiqueta de salida adecuada. El algoritmo se entrena con un “histórico” de datos y así “aprende” a asignar la etiqueta de salida adecuada a un nuevo valor, es decir, predice el valor de salida.

Por ejemplo, un detector de spam, analiza el histórico de mensajes, viendo qué función puede representar, según los parámetros de entrada que se definan (el remitente, si el destinatario es individual o parte de una lista, si el asunto contiene determinados términos etc), la asignación de la etiqueta “spam” o “no es spam”. Una vez definida esta función, al introducir un nuevo mensaje no etiquetado, el algoritmo es capaz de asignarle la etiqueta correcta.

Aprendizaje no supervisado

El aprendizaje no supervisado tiene lugar cuando no se dispone de datos “etiquetados”  para el entrenamiento. Sólo conocemos los datos de entrada, pero no existen datos de salida que correspondan a un determinado input. Por tanto, sólo podemos describir la estructura de los datos, para intentar encontrar algún tipo de organización que simplifique el análisis. Por ello, tienen un carácter exploratorio.

Por ejemplo, las tareas de clustering, buscan agrupamientos basados en similitudes, pero nada garantiza que éstas tengan algún significado o utilidad. En ocasiones, al explorar los datos sin un objetivo definido, se pueden encontrar correlaciones espúreas curiosas, pero poco prácticas. Los problemas que implican tareas de encontrar similitud, predicción de enlaces o reducción de datos, pueden ser supervisados o no.

Aprendizaje por refuerzo

Se utiliza a menudo para robótica, juegos y navegación. Con el aprendizaje con refuerzo, el algoritmo descubre a través de ensayo y error qué acciones producen las mayores recompensas. Este tipo de aprendizaje tiene tres componentes principales: el agente (el que aprende o toma decisiones), el entorno (todo con lo que interactúa el agente) y acciones (lo que el agente puede hacer). El objetivo es que el agente elija acciones que maximicen la recompensa esperada en cierta cantidad de tiempo. El agente logrará la meta mucho más rápido si aplica una buena política. De modo que el objetivo en el aprendizaje con refuerzo es aprender la mejor política.

Si te interesa conocer más sobre esto, te recomendamos revisar el Máster en Data Science que tenemos aquí en CEUPE, en el cual te prepararemos para desarrollar tú carrera profesional en ese perfil tan demandado. De la mano de profesionales del sector, aprenderás todos los conceptos y herramientas, tanto técnicos como analíticos, para poder abordar un proyecto Big Data.