Por Carlos Martínez de Ibarreta Zorita
Profesor de Métodos Cuantitativos, Universidad Pontificia Comillas.
Pincha aquí para ver el vídeo sobre este post
En este video, Carlos Martínez de Ibarreta, del Departamento de Métodos Cuantitativos de la Facultad de Ciencias Económicas y Empresariales de ICADE Comillas, nos ofrece una introducción detallada sobre el Machine Learning (ML) y cómo las máquinas aprenden.
Conceptos Clave y Ejemplos del Uso Diario de la IA
La IA ya está presente en nuestra vida cotidiana. Un ejemplo común es el sistema de recomendaciones de plataformas de streaming, que utiliza modelos de ML para sugerir contenido basado en tus preferencias. Otro ejemplo son los modelos de fuga utilizados por empresas de telefonía para identificar clientes con alta probabilidad de cambiarse a la competencia y ofrecerles incentivos para retenerlos. Para más detalle, te recomendamos ver el video anterior en nuestro canal.
¿Cómo aprenden las máquinas? Tipos de Aprendizaje en Machine Learning
Aprendizaje Supervisado
En el aprendizaje supervisado, se entrena a la máquina con un conjunto de datos de entrada (input) y sus correspondientes resultados de salida (output o etiquetas). Por ejemplo, en la clasificación de correos electrónicos como spam o no-spam, se utilizan correos etiquetados previamente. La máquina aprende a mapear las características del correo (como la frecuencia de ciertas palabras) a su categoría correcta. Otro ejemplo es la predicción de precios de viviendas, donde la máquina aprende a relacionar características de la casa (como la superficie) con su precio.
Dentro del aprendizaje supervisado, podemos distinguir entre:
– Clasificación: Cuando la variable de salida es categórica. Ejemplo: Distinguir correos spam de los que no lo son.
– Regresión: Cuando la variable de salida es numérica. Ejemplo: Predecir el precio de una casa basado en sus características.
Aprendizaje No Supervisado
En el aprendizaje no supervisado, la máquina no recibe etiquetas de salida. En cambio, debe encontrar patrones y estructuras en los datos. Un ejemplo es el clustering, donde se agrupan datos en categorías sin etiquetas predefinidas. Por ejemplo, agrupar clientes según sus hábitos de compra para estrategias de marketing personalizadas.
Aprendizaje Reforzado
El aprendizaje reforzado implica que un agente aprende mediante prueba y error, recibiendo recompensas o castigos en función de sus acciones. Este tipo de aprendizaje es similar a cómo entrenamos mascotas o cómo aprendemos comportamientos desde niños. Un ejemplo es entrenar a un robot para navegar en un entorno donde recibe puntos por moverse hacia un objetivo y pierde puntos por chocar con obstáculos.
¿Qué es un algoritmo?
Por cierto, un algoritmo no es más que un conjunto de instrucciones secuenciales para hacer algo. Una receta de cocina, donde se recogen las cantidades de los ingredientes y los pasos para elaborar el plato, es un algoritmo culinario. “Algoritmo” viene de la corrupción del nombre del matemático del Asia central Al-Khwarizmi, del siglo IX.
Para realizar clustering, una técnica popular es el algoritmo de k-medias, que agrupa datos en k clusters. Inicialmente, se seleccionan los centros de los conglomerados de forma aleatoria y se asigna cada punto al cluster más cercano. Luego, los centros se recalculan y se reagrupan los puntos hasta que los clusters convergen a una solución estable.