No podemos negar que desde las primeras máquinas de computación, pasando por la revolución industrial hasta el día de hoy, nuestra relación con las máquinas ha ido estrechándose cada vez más, acompañándonos ahora en casi todas nuestras actividades (incluso mientras respiramos),
pero si bien ahora vamos juntos a todos lados, aún tenemos una gran diferencia.
El ser humano actúa en base a sus EXPERIENCIAS; mientras que las máquinas dan resultados porque siguen INSTRUCCIONES, instrucciones como las lógicas de control condicional o como las que escriben, leen, actualizan y eliminan datos; esta técnica de desarrollo es útil, pero ¿qué pasaría si necesitamos automatizar el reconocimiento de caracteres escritos a mano o la clasificación de gases o la detección de un cáncer maligno? Un humano, conforme va ganando experiencia, puede ir realizando estas actividades cada vez con mayor facilidad, pero ¿qué hay de las máquinas? ¿puede una aprender con la experiencia? O mejor dicho ¿con los datos?
Machine Learning (ML)
“El ML es una rama de la Inteligencia Artificial que permite el desarrollo de sistemas que aprenden y mejoran su rendimiento por medio de la construcción de modelos predictivos que sintetizan los patrones y variables dentro de un conjunto de datos y es un subcampo de la Ciencia Computacional que se encarga del desarrollo de técnicas de aprendizaje computacional.”
Programación Tradicional vs Machine Learning
Bajo los modelos de programación tradicionales, los programas y datos son procesados por la computadora para producir un resultado deseado, pero al trabajar con Machine Learning, el paradigma de procesamiento se altera dramáticamente. Los datos y los resultados deseados son procesados mediante ingeniería inversa por la computadora para producir un nuevo programa.
Tipos de Aprendizaje
En Machine Learning tenemos más de un tipo de aprendizaje: el supervisado, que busca predecir o clasificar un dato a través de un modelo generado a partir de ejemplos de datos etiquetados que contienen el dato que queremos predecir; el no supervisado, que busca descubrir la estructura de los datos, ya sea agrupando elementos similares para formar "clusters" o reducir los datos a un número pequeño de "dimensiones" importantes; y el semisupervisado, que utiliza tanto datos etiquetados como no etiquetados y que usualmente entra en acción cuando el proceso de etiquetado total es muy costoso o inviable.
El proceso del Machine Learning
- Administración de datos
- Construcción de la solución
- Despliegue de la solución
- Control de acceso
- Mantenimiento.
Recomendaciones
- Los primeros pasos son los más importantes: cada paso depende de los pasos anteriores.
- Espere ir hacia atrás: conocimiento posteriores afectan pasos previos.
- Los datos nunca son como los necesitas: los datos tendrán que ser alterados.
- Más datos es mejor: más datos mejores resultados.
- No apresure una mala solución: reevalua, arregla o déja.
- Piense antes de actuar: comprenda los resultados antes de cambiar los datos o el modelo.
No hay comentarios.:
Publicar un comentario