Algoritmos de Aprendizaje Automático (Machine Learning)

Inteligencia Artificial y aprendizaje automático (Machine Learning)

La Inteligencia Artificial (IA) consiste en una combinación de algoritmos orientados a crear máquinas que tengan las mismas capacidades que el ser humano.

En la práctica, la IA hace posible que las máquinas aprendan de su experiencia, integren ese conocimiento en sus fórmulas, mejoren sus reglas y puedan realizar las tareas como un humano o mejor.

Los procesos que utilizan se basan en:

• aprendizaje: la adquirir información y las reglas para el uso de la información
• razonamiento: usar las reglas para llegar a conclusiones aproximadas o definitivas
• autocorrección: mejorar, en base a la nueva información, las reglas utilizadas para su uso.

El término “algoritmos de inteligencia artificial”, utilizado frecuentemente, aporta una idea muy general de la IA pero es más preciso hablar de algoritmos de machine learning o de aprendizaje automático. Siendo el machine learning un subconjunto de la inteligencia artificial.

Aprendizaje automático: 3 estilos aplicados a los algoritmos

Aprendizaje por refuerzo (RL, Reinforcement Learning)

La base de este tipo de aprendizaje es la repetición continua basada en “prueba y error” que una máquina es capaz de realizar en tiempo récord ante determinadas condiciones o entorno dados (por ejemplo, las reglas de un juego). La máquina es capaz de aprender con base a pruebas y errores teniendo en cuenta diversas situaciones.

Un ejemplo del modelo de aprendizaje repetitivo ha sido la IA ajedrecista AlphaZero de DeepMind.

Los principales algoritmos utilizados en el aprendizaje por refuerzo son: programación dinámica (dynamic programming), Q-Learning y SARSA (State–action–reward–state–action).

Aprendizaje supervisado (Supervised machine learning)

El aprendizaje supervisado se basa en modelos predictivos que hacen uso de datos de entrenamiento. Dado un conjunto conocido de datos, se pretende que el sistema sea capaz de lograr una determinada salida, de forma que el modelo es ajustado (entrenado) hasta lograr resultados adecuados.

La idea es que las computadoras aprendan de una multitud de ejemplos, y a partir de ahí puedan hacer el resto de cálculos necesarios para que nosotros no tengamos que volver a ingresar ninguna información.

Ejemplos: reconocimiento de voz, detección de spam, reconocimiento de escritura, entre otros.

Los principales algoritmos en aprendizaje supervisado son: árboles de decisión, clasificaciones Naïve Bayes, regresión ordinaria por mínimos cuadrados, regresión logística, y Support Vector Machines (SVM).

Aprendizaje no supervisado (Unsupervised machine learning)

En esta categoría al algoritmo no se le proporciona ninguna indicación previa. En cambio, se le provee de una enorme cantidad de datos con las características propias de un objeto (aspectos o partes que conforman a un avión o a un coche, por ej.), para que pueda determinar qué es, a partir de la información recopilada.

Ejemplos: detectar morfología en oraciones, clasificar información, etc.

Los principales algoritmos de aprendizaje no supervisado son: algoritmos de agrupamiento (clustering), análisis de componentes principales (PCA), Singular Value Decompotition (SVD), y análisis de componentes independientes (ICA).

En posteriores entradas vamos a desarrollar los conceptos de razonamiento y la autocorrección en la inteligencia artificial.

La pelicula »el dilema de las redes» explica, entre otros conceptos, la función de los algoritmos y cómo se aplican en las redes sociales. Lo consigue a través de 3 personajes humanos que representan y deciden como si fueran algoritmos.

En este vídeo de 10 minutos vas a comprender en qué consiste el aprendizaje supervisado y el no supervisado.

Entradas relacionadas