El aprendizaje máquina o Machine Learning (ML) provee a los computadores la capacidad de encontrar patrones y responder a preguntas gracias a esos patrones encontrados (o aprendidos). Idealmente, estos sistemas, además, son capaces de responder a preguntas que no se han encontrado antes, es decir, que no fueron las utilizadas durante el entrenamiento.
El ML puede utilizarse en numerosas situaciones como encontrar tendencias en el mercado de valores, predicciones climatológicas, o ayuda a expertos en el diagnóstico médico. Los algoritmos aprenden de forma supervisada (conociendo la respuesta esperada), no supervisada (de forma autónoma) o semi-supervisada, y pueden estar basados en diversos tipos, como las redes neuronales, arboles de decisión, algoritmos genéticos, etc.
AI, Machine Learning y Deep Learning
Actualmente hay mucha confusión sobre la diferencia entre Machine Learning y Deep Learning, y donde encajan estas en el área de conocimiento de Inteligencia Artificial (IA, o AI del inglés Artificial Intelligence).
Inteligencia Artificial se entiende como el conjunto de métodos que dota a un computador de la capacidad de resolver problemas de forma inteligente o autónoma sin que sea el usuario el que tenga que darle las indicaciones precisas de como alcanzar la solución. La IA incluye multitud de sub-ámbitos, como el ML, la Visón por Computador, Procesamiento de Lenguaje Natural, etc.
Si nos centramos en Machine Learning, existen diversas técnicas, como Random Forest, Reinforcement Learning, Neural Networks, y Deep Learning entre otras. Cabe destacar que el Deep Learning es una subcategoría de las redes neuronales (Neural Nets), ya que utilizan muchos de los principios desarrollados para estas aumentando el tamaño de las arquitecturas de red.
Tipos de entrenamiento: supervisado o no-supervisado
El ML se basa en el aprendizaje de un modelo o conjunto de parámetros que nos permiten, posteriormente, clasificar o inferir valores en base a unos datos de entrada. Es por ello que, inicialmente, es necesario entrenar esos modelos para que realicen la tarea deseada, al igual que nos ocurre a nosotros como humanos. Tenemos experiencias que nos permiten aprender y, posteriormente, actuar ante nuevos estímulos de entrada.
Siguiendo con el símil del ser humano, podemos ver que hay dos grandes tipos de entrenamiento, el supervisado y el no-supervisado. El primero se refiere a lo que sería la propia enseñanza como ir al colegio o universidad, es decir, se nos da una entrada y se nos indica cual es el resultado de forma que nosotros encontremos el/los patrones que hay que seguir para resolver ese problema. Cuando aprendemos a sumar, el profesor nos explica el concepto y hacemos muchos ejemplos hasta encontrar la lógica detrás de esa operación.
Otra forma de entrenar es la no-supervisada (del inglés unsupervised), en la que nosotros mismos podemos inferir un resultado. Ojo, fíjate que no digo inferir el resultado esperado ya que dentro de las técnicas no-supervisadas hay unas que sí intentan estimar datos (lo que se denomina auto-supervisado o self-supervised) y otras infieren agrupaciones o características de los datos.
Existen también técnicas híbridas, llamadas semi-supervisada, que combina un aprendizaje general de forma supervisada para sacar patrones generales, y luego los refina con datos no etiquetados (self-supervised).