Las claves del Machine Learning y las Redes Neuronales

//Las claves del Machine Learning y las Redes Neuronales

Las claves del Machine Learning y las Redes Neuronales

El Machine Learning o aprendizaje automático es un subgrupo de la Inteligencia Artificial. Se basa en crear sistemas que puedan aprender automáticamente, es decir, pueden descubrir patrones complejos enterrados en grandes conjuntos de datos sin la necesidad de interferencia humana. 

Algoritmos del Machine Learning: 

El aprendizaje automático ha supuesto una revolución en el mundo tecnológico, ya que se han demostrado un gran número de casos de uso en diferentes sectoresSus algoritmos se pueden dividir en dos grupos: 

  • Aprendizaje supervisadoLa máquina aprende por medio del ejemplo. El algoritmo se entrena por medio de preguntas, conocidas como características; y respuestas, denominadas etiquetas. Cuando el algoritmo tiene la respuesta a cierta pregunta, guarda esa información para hacer previsiones futuras. Existen dos tipos de aprendizaje supervisado: 
  1. Regresión: Tiene el objetivo de predecir valores continuosCon el valor numérico de las etiquetas, se utilizan diferentes variables para obtener los datos que nos interesen. Este tipo de aprendizaje sirve para una serie de finalidades concretas como predecir el precio de un producto, una propiedad o el valor del stock de una tienda.
  2. Clasificación: El algoritmo encuentra diferentes patrones y clasifica los elementos en diferentes grupos. Este modelo busca sacar conclusiones de los valores observadosya que una o más entradas intentan predecir el valor de uno o más resultados. Un claro ejemplo es el filtro de correos electrónicos para ver si son spam o no: solo hay dos resultados posibles, ya que cuando analizamos los datos de la transacción podemos dividirlos en dos categorías; ya sea “fraudulento”, o “autorizado”.  
  • Aprendizaje no supervisado. A diferencia del aprendizaje supervisado, en el no supervisado solo se le otorgan las características, ya que se trata de extraer conocimiento de conjuntos de datos donde a priori no existe una etiqueta. En este caso, el algoritmo cataloga los datos por similitud y crea grupos, sin tener la capacidad de definir cómo es cada individualidad de cada uno de los integrantes del grupo. En este caso, también existen dos modelos: 
  1. Análisis clúster: Extrae referencias de conjuntos de datos como parte de los datos de entrada sin respuestas etiquetadas sin conocer nada de cómo se clasifican. Se trata de clasificar un conjunto de datos en grupos lo más homogéneos entre si y lo más heterogéneos entre ellos. Un ejemplo claro es la segmentación que llevan a cabo las empresas para sus campañas, dividiéndolas por tipo de cliente.
  2. Reducción de la dimensionalidad: Se trata de reducir el número de variables aleatorias mediante la obtención de un conjunto de variables principales, eliminando así variables irrelevantes y mejorando el rendimiento computacional. Se utiliza como método intermedio para reducir la complejidad del sistema. Donde más se utiliza es en el ámbito de la biología y la medicina, donde existen muchísimas variables y se requiere de la eliminación del máximo posible de ellas. 

Uno de los métodos avanzados para hacer este tipo clasificación (aprendizaje supervisado y no supervisado) son las Redes Neuronales. Si quieres saber más sobre estas funcionalidades de la Inteligencia Artificial, ¡echa un vistazo al vídeo de nuestro webinar celebrado en marzo!

2019-04-08T10:39:23+00:0018 marzo, 2019|Categories: Servicios cognitivos|Tags: , , , , , |0 Comments