¿Qué es el Aprendizaje Automático?

El aprendizaje automático es uno de los campos tecnológicos de crecimiento más rápido, pero a pesar de lo frecuente que se utilizan las palabras “aprendizaje automático”, puede ser difícil entender qué es exactamente el aprendizaje automático.

El aprendizaje automático no se refiere a solo una cosa, es un término genérico que se puede aplicar a muchos conceptos y técnicas diferentes. Entender el aprendizaje automático significa estar familiarizado con diferentes formas de análisis de modelos, variables y algoritmos. Veamos de cerca el aprendizaje automático para entender mejor lo que abarca.

¿Qué es el Aprendizaje Automático?

Aunque el término aprendizaje automático se puede aplicar a muchas cosas diferentes, en general, el término se refiere a permitir que una computadora realice tareas sin recibir instrucciones explícitas línea por línea para hacerlo. Un especialista en aprendizaje automático no tiene que escribir todos los pasos necesarios para resolver el problema porque la computadora es capaz de “aprender” analizando patrones dentro de los datos y generalizando estos patrones a nuevos datos.

Los sistemas de aprendizaje automático tienen tres partes básicas:

• Entradas
• Algoritmos
• Salidas

Las entradas son los datos que se alimentan al sistema de aprendizaje automático, y los datos de entrada se pueden dividir en etiquetas y características. Las características son las variables relevantes, las variables que se analizarán para aprender patrones y sacar conclusiones. Mientras que las etiquetas son clases/descripciones dadas a las instancias individuales de los datos.

Las características y las etiquetas se pueden utilizar en dos tipos diferentes de problemas de aprendizaje automático: aprendizaje supervisado y aprendizaje no supervisado.

Aprendizaje no Supervisado vs. Aprendizaje Supervisado

En aprendizaje supervisado, los datos de entrada están acompañados de una verdad fundamental. Los problemas de aprendizaje supervisado tienen los valores de salida correctos como parte del conjunto de datos, por lo que las clases esperadas se conocen de antemano. Esto permite que el científico de datos verifique el rendimiento del algoritmo probando los datos en un conjunto de datos de prueba y viendo qué porcentaje de elementos se clasificaron correctamente.

En contraste, aprendizaje no supervisado no tiene etiquetas de verdad fundamental adjuntas a ellos. Un algoritmo de aprendizaje automático entrenado para realizar tareas de aprendizaje no supervisado debe ser capaz de inferir los patrones relevantes en los datos por sí mismo.

Los algoritmos de aprendizaje supervisado se utilizan comúnmente para problemas de clasificación, donde se tiene un gran conjunto de datos lleno de instancias que deben ordenarse en una de muchas clases diferentes. Otro tipo de aprendizaje supervisado es una tarea de regresión, donde el valor de salida del algoritmo es continuo en lugar de categórico.

Mientras que los algoritmos de aprendizaje no supervisado se utilizan para tareas como estimación de densidad, agrupación y aprendizaje de representación. Estas tres tareas necesitan que el modelo de aprendizaje automático infiera la estructura de los datos, no hay clases predefinidas dadas al modelo.

Veamos brevemente algunos de los algoritmos más comunes utilizados en aprendizaje supervisado y no supervisado.

Tipos de Aprendizaje Supervisado

Los algoritmos de aprendizaje supervisado comunes incluyen:

• Naive Bayes
• Máquinas de Soporte Vectorial
• Regresión Logística
• Bosques Aleatorios
• Redes Neuronales Artificiales

Las Máquinas de Soporte Vectorial son algoritmos que dividen un conjunto de datos en diferentes clases. Los puntos de datos se agrupan en clusters dibujando líneas que separan las clases entre sí. Los puntos encontrados en un lado de la línea pertenecerán a una clase, mientras que los puntos en el otro lado de la línea serán una clase diferente. Las Máquinas de Soporte Vectorial buscan maximizar la distancia entre la línea y los puntos encontrados en cualquier lado de la línea, y cuanto mayor sea la distancia, más confiado estará el clasificador de que el punto pertenece a una clase y no a otra.

La Regresión Logística es un algoritmo utilizado en tareas de clasificación binaria cuando los puntos de datos necesitan clasificarse como pertenecientes a una de dos clases. La Regresión Logística funciona etiquetando el punto de datos como 1 o 0. Si el valor percibido del punto de datos es 0,49 o inferior, se clasifica como 0, mientras que si es 0,5 o superior, se clasifica como 1.

Los algoritmos de Árbol de Decisión operan dividiendo los conjuntos de datos en fragmentos cada vez más pequeños. Los criterios exactos utilizados para dividir los datos dependen del ingeniero de aprendizaje automático, pero el objetivo es dividir finalmente los datos en puntos de datos individuales, que luego se clasificarán utilizando una clave.

Un algoritmo de Bosque Aleatorio es esencialmente muchos clasificadores de Árbol de Decisión individuales vinculados entre sí para formar un clasificador más poderoso.

El clasificador Naive Bayes calcula la probabilidad de que un punto de datos determinado haya ocurrido en función de la probabilidad de que ocurra un evento anterior. Se basa en el teorema de Bayes y coloca los puntos de datos en clases según su probabilidad calculada. Al implementar un clasificador Naive Bayes, se asume que todos los predictores tienen la misma influencia en el resultado de la clase.

Una Red Neuronal Artificial, o perceptrón multicapa, son algoritmos de aprendizaje automático inspirados en la estructura y función del cerebro humano. Las Redes Neuronales Artificiales obtienen su nombre del hecho de que están compuestas por muchos nodos/neuronas conectados entre sí. Cada neurona manipula los datos con una función matemática. En las Redes Neuronales Artificiales, hay capas de entrada, capas ocultas y capas de salida.

La capa oculta de la red neuronal es donde los datos se interpretan y analizan realmente para aprender patrones. En otras palabras, es donde el algoritmo aprende. Cuantos más neuronas se conectan, más complejas son las redes capaces de aprender patrones más complejos.

Tipos de Aprendizaje no Supervisado

Los algoritmos de aprendizaje no supervisado incluyen:

• Agrupación K-means
• Autoencoders
• Análisis de Componentes Principales

La agrupación K-means es una técnica de clasificación no supervisada, y funciona separando los puntos de datos en clusters o grupos según sus características. La agrupación K-means analiza las características encontradas en los puntos de datos y distingue patrones en ellos que hacen que los puntos de datos encontrados en una clase de cluster sean más similares entre sí que a los clusters que contienen los otros puntos de datos. Esto se logra colocando posibles centros para el cluster, o centroides, en un gráfico de los datos y reasignando la posición del centroide hasta que se encuentre una posición que minimice la distancia entre el centroide y los puntos que pertenecen a esa clase del centroide. El investigador puede especificar el número deseado de clusters.

El Análisis de Componentes Principales es una técnica que reduce un gran número de características/variables a un espacio de características más pequeño/menos características. Los “componentes principales” de los puntos de datos se seleccionan para su conservación, mientras que las otras características se reducen a una representación más pequeña. La relación entre las porciones originales de los datos se conserva, pero como la complejidad de los puntos de datos es más simple, los datos son más fáciles de cuantificar y describir.

Los autoencoders son versiones de las redes neuronales que se pueden aplicar a tareas de aprendizaje no supervisado. Los autoencoders son capaces de tomar datos no etiquetados y de forma libre y transformarlos en datos que una red neuronal es capaz de utilizar, básicamente creando sus propios datos de entrenamiento etiquetados. El objetivo de un autoencoder es convertir los datos de entrada y reconstruirlos con la mayor precisión posible, por lo que es del interés de la red determinar qué características son las más importantes y extraerlas.