no script

Machine Learning, el motor de la innovación en las empresas

  • 13 Ago 2019
Image Description

El aprendizaje automático o el Machine Learning nació del reconocimiento de patrones. El Machine Learning es un campo de las ciencias de la computación que se encarga de “aprender” dado un conjunto de datos; es decir, se encarga de representar la estructura y generalizar comportamientos de los datos dados.

 

En este sentido, learning no se trata de memorizar y/o recolectar datos. Se trata de crear un modelo a partir de la información suministrada para poder generar conclusiones.

 

En un inicio, investigadores interesados en la inteligencia artificial deseaban saber si las computadoras podían aprender de datos. El aspecto iterativo del machine learning es importante porque a medida que los modelos son expuestos a nuevos datos, éstos pueden adaptarse de forma independiente.

 

Las computadoras aprenden de cálculos previos para producir decisiones y resultados confiables y repetibles. Es una ciencia que no es nueva – pero que ha cobrado un nuevo impulso.

 

Aunque muchos algoritmos de aprendizaje basados en máquinas han estado entre nosotros por largo tiempo, la posibilidad de aplicar automáticamente cálculos matemáticos complejos al big data es un logro reciente. A continuación te brindamos algunos ejemplos concretos sobre el machine learning con los que quizá esté familiarizado:

 

-El automóvil de conducción automática de Google.

-Ofertas de recomendación en línea como Amazon y Netflix en nuestras redes sociales.

-Saber lo que los clientes dicen acerca de una marca por Twitter.

-Detección de fraudes.

 

¿Por qué el Machine Learning está cobrando un especial auge?

 

Actualmente las empresas están interesadas construir modelos que descubran conexiones, mediante el uso de algoritmos. Así las organizaciones pueden tomar mejores decisiones sin intervención humana y aprender más acerca de las tecnologías que dan forma al mundo en que vivimos.

 

La mayoría de las industrias que trabajan con grandes cantidades de datos han reconocido el valor de la tecnología del machine learning. Obteniendo análisis de estos datos – a menudo en tiempo real – las organizaciones pueden trabajar de manera más eficiente o lograr una ventaja sobre sus competidores.

 

Métodos del Machine Learning

 

Dos de los métodos de aprendizaje basado en máquina más ampliamente adoptados son aprendizaje supervisado y aprendizaje no supervisado – pero existen también otros métodos de machine learning. Ésta es una descripción de los tipos más populares.

 

Los algoritmos de aprendizaje supervisado son entrenados utilizando ejemplos etiquetados, como una entrada donde se conoce el resultado deseado. Por ejemplo, una pieza de equipo podría tener puntos de datos etiquetados como “F” (fallidos) o “R” (corridas). El algoritmo de aprendizaje recibe un conjunto de entradas junto con los resultados correctos correspondientes, y el algoritmo aprende comparando su resultado real con resultados correctos para encontrar errores. Luego modifica el modelo en consecuencia. A través de métodos como la clasificación, regresión, predicción y aumento de gradiente, el aprendizaje supervisado utiliza patrones para predecir los valores de la etiqueta en datos no etiquetados adicionales. El aprendizaje supervisado se utiliza comúnmente en aplicaciones donde datos históricos predicen eventos futuros probables. Por ejemplo, puede anticipar cuándo es probable que transacciones con tarjetas de crédito sean fraudulentas o qué cliente de una aseguradora tiene la probabilidad de iniciar un reclamo.

 

El aprendizaje no supervisado se utiliza contra datos que no tienen etiquetas históricas. No se da la "respuesta correcta" al sistema. El algoritmo debe descubrir lo que se muestra. El objetivo es explorar los datos y encontrar alguna estructura en su interior. El aprendizaje no supervisado funciona bien con datos de transacciones. Por ejemplo, puede identificar segmentos de clientes con atributos similares que después puedan ser tratados de manera semejante en campañas de marketing. O bien puede encontrar los atributos principales que separan los segmentos de clientes. Algunas técnicas populares incluyen mapas con organización automática, mapping del vecino más cercano, k-means clustering y descomposición de valores singulares. Estos algoritmos se pueden utilizar también para segmentar temas de texto, recomendar elementos e identificar valores atípicos de datos.

 

La diferencia principal con el aprendizaje basado en máquina es que, al igual que los modelos estadísticos, el objetivo es entender la estructura de los datos – ajustar distribuciones teóricas a los datos que son bien entendidos. De modo que con modelos estadísticos hay una teoría detrás del modelo que se demuestra en términos matemáticos, pero esto requiere que los datos cumplan también con ciertas suposiciones de rigor.

 

El machine learning se ha desarrollado con base en la posibilidad de usar computadoras para sondear la estructura de los datos, incluso si no tenemos una teoría de qué aspecto tiene la estructura. La prueba para un modelo de machine learning es un error de validación en nuevos datos, no una prueba teórica que demuestra una hipótesis nula. Como el machine learning utiliza a menudo un enfoque iterativo para aprender de datos, el aprendizaje puede ser automatizado con facilidad. Se hacen pases por los datos hasta que se encuentra un patrón sólido.



Entradas relacionadas


Inicia Sesión para Comentar

Aliados