¿Qué es el aprendizaje automático?

El aprendizaje automático es un campo de la informática que utiliza tecnologías estáticas para brindar a los sistemas informáticos la capacidad de 'aprender' con datos, sin siendo programado explícitamente.

Eso significa, "ML se trata de aprender de los datos"

Programación explícita significa, escribir códigos para cada escenario, para manejar esa situación.

En el aprendizaje automático, en lugar de escribir código explícito para cada escenario, entrenamos modelos para aprender patrones a partir de datos, lo que les permite hacer predicciones o decisiones para situaciones invisibles.

Entonces, damos entrada y salida, pero no escribimos ningún código para todos y cada uno de los casos. Los algoritmos de ML automáticamente los manejan.

Un ejemplo simple puede usar:

Función de suma:

En programación explícita, para sumar 2 números, escribimos código específico que funciona solo para ese caso. Este código no funcionará para sumar 5 o N números sin modificaciones.

Por el contrario, con ML, podemos proporcionar un archivo de Excel donde cada fila contiene diferentes números y su suma. A medida que el algoritmo ML se entrena con este conjunto de datos, aprende el patrón de suma. En el futuro, cuando se le den 2, 10 o N números, podrá realizar la suma según el patrón aprendido, sin necesidad de un código específico para cada escenario.

¿Dónde usamos ML?

• Clasificador de spam de correo electrónico:

En la programación explícita, escribí varias condiciones if-else, como: "Si una palabra clave aparece 3 o más veces, se marcará como spam". Por ejemplo, si la palabra "Enorme" se usa tres veces, se marca como spam.

Ahora, imagine que una empresa de publicidad se da cuenta de que existe un algoritmo como este para detectar su spam. Entonces, en lugar de repetir "Enorme" 3 veces, usan sinónimos como "Enorme", "Masivo" y "Grande". En este caso, la regla original no funcionaría. ¿Cuál sería la solución? ¿Debería volver a cambiar mis algoritmos anteriores? ¿Cuántas veces podré hacer eso?

En ML, el modelo aprende de los datos proporcionados y crea automáticamente algoritmos basados ​​en esos datos. Si los datos cambian, el algoritmo se ajusta en consecuencia. No es necesario cambiar manualmente el algoritmo, se actualizará según sea necesario en función de los nuevos datos.

• Clasificación de imágenes:

En programación explícita para la clasificación de imágenes, necesitaríamos escribir reglas manualmente para identificar características de un perro, como su forma, tamaño, color de pelaje o cola. Estas reglas sólo funcionarían para imágenes específicas y no se generalizarían bien a todas las razas de perros. Si encontráramos nuevas razas o variaciones, necesitaríamos agregar nuevas reglas para cada una.

En ML, en lugar de escribir reglas específicas, proporcionamos al modelo un gran conjunto de datos de imágenes de perros etiquetadas por raza. Luego, el modelo aprende patrones a partir de los datos, como las características comunes de diferentes razas, y utiliza ese conocimiento aprendido para clasificar nuevas imágenes de perros, incluso si no ha visto esas razas exactas antes. El algoritmo se adapta automáticamente a las variaciones de los datos.

Además, hay miles de usos de ML. Quizás te preguntes,
¿Por qué el aprendizaje automático no era tan popular antes de 2010?

• La capacidad de almacenamiento limitada dificultaba el almacenamiento de grandes cantidades de datos debido a la escasez de discos duros.
• No había suficientes datos disponibles para entrenar eficazmente modelos de aprendizaje automático.
• Las limitaciones de hardware, como GPU y procesadores menos potentes, restringieron la capacidad de ejecutar algoritmos complejos de manera eficiente.

Hoy en día, generamos millones de puntos de datos todos los días. Al utilizar esta gran cantidad de datos, los modelos de aprendizaje automático se están volviendo más precisos, eficientes y capaces de resolver problemas complejos. Pueden aprender patrones, hacer predicciones y automatizar tareas en diversos campos, como la atención sanitaria, las finanzas y la tecnología, mejorando la toma de decisiones e impulsando la innovación.

Gracias por tomarte el tiempo de leer esto.