Te explicamos como funciona el Machine Learning

En diversas ocasiones en nuestros artículos sobre IA mencionamos algo conocido como machine learning, el cual probablemente no sepas que es simplemente un algoritmo muy avanzado. Por esta razón, el día de hoy decidimos aclarar tus dudas con una guía sobre esta herramienta, con la ayuda de InfoWorld, siendo una página que se dedica a crear guías para comprender diversos temas.

¿Qué son los algoritmos de aprendizaje automático?

Comenzando con la aclaratoria que el aprendizaje automático es una clase de métodos para crear automáticamente modelos predictivos a partir de datos. Los algoritmos de aprendizaje automático son los motores del aprendizaje automático, lo que significa que son los algoritmos que convierten un conjunto de datos en un modelo.

El tipo de algoritmo que funcione mejor (supervisado, no supervisado, clasificación, regresión, etc.) depende del tipo de problema que esté resolviendo, los recursos informáticos disponibles y la naturaleza de los datos.

¿Cómo funciona el aprendizaje automático?

Los algoritmos de programación ordinarios le dicen a la computadora qué hacer de una manera directa. Por ejemplo, los algoritmos de clasificación convierten los datos no ordenados en datos ordenados según algunos criterios, a menudo el orden numérico o alfabético de uno o más campos en los datos.

Los algoritmos de regresión lineal ajustan una línea recta a los datos numéricos, generalmente realizando inversiones matriciales para minimizar el error cuadrado entre la línea y los datos. El error cuadrado se utiliza como la métrica porque no le importa si la línea de regresión está por encima o por debajo de los puntos de datos; solo te importa la distancia entre la línea y los puntos.

Los algoritmos de regresión no lineal, que ajustan curvas (como polinomios y exponenciales) a los datos, son un poco más complicados porque, a diferencia de los problemas de regresión lineal, no pueden resolverse con un método determinista. En cambio, los algoritmos de regresión no lineal implementan algún tipo de proceso de minimización iterativo, a menudo alguna variación en el método de descenso más pronunciado.

El descenso más pronunciado básicamente calcula el error al cuadrado y su gradiente en los valores de los parámetros actuales, elige un tamaño de paso (también conocido como tasa de aprendizaje), sigue la dirección del gradiente «cuesta abajo» y luego vuelve a calcular el error al cuadrado y su gradiente en el nuevo valores paramétricos. Finalmente, con suerte, el proceso converge. Las variantes en el descenso más pronunciado intentan mejorar las propiedades de convergencia.

Los algoritmos de aprendizaje automático son incluso menos sencillos que la regresión no lineal, en parte porque el aprendizaje automático prescinde de la restricción de adaptarse a una función matemática específica, como un polinomio.

Hay dos categorías principales de problemas que a menudo se resuelven mediante el aprendizaje automático: la regresión y la clasificación. La regresión es para datos numéricos (por ejemplo, ¿cuál es el ingreso probable para alguien con una dirección y profesión determinada) y la clasificación es para datos no numéricos (por ejemplo, ¿el solicitante incumplirá con este préstamo?).

Los problemas de predicción (por ejemplo, ¿cuál será el precio de apertura para las acciones de Microsoft mañana?) Son un subconjunto de problemas de regresión para los datos de series de tiempo. Los problemas de clasificación a veces se dividen en problemas binarios (sí o no) y de múltiples categorías (animal, vegetal o mineral).

Aprendizaje supervisado vs. aprendizaje no supervisado

Independientemente de estas divisiones, existen otros dos tipos de algoritmos de aprendizaje automático: supervisados ​​y no supervisados. En el aprendizaje supervisado, proporciona un conjunto de datos de entrenamiento con respuestas, como un conjunto de imágenes de animales junto con los nombres de los animales.

El objetivo de ese entrenamiento sería un modelo que pudiera identificar correctamente una imagen (de un tipo de animal que se incluyó en el conjunto de entrenamiento) que no había visto anteriormente.

En el aprendizaje no supervisado, el algoritmo recorre los datos en sí e intenta obtener resultados significativos. El resultado podría ser, por ejemplo, un conjunto de grupos de puntos de datos que podrían estar relacionados dentro de cada grupo. Eso funciona mejor cuando los grupos no se superponen.

La capacitación y la evaluación convierten los algoritmos de aprendizaje supervisado en modelos al optimizar sus parámetros para encontrar el conjunto de valores que mejor coincida con la verdad básica de sus datos. Los algoritmos a menudo se basan en variantes de pendiente más pronunciada para sus optimizadores, por ejemplo, pendiente de gradiente estocástica (SGD), que es esencialmente la pendiente más pronunciada realizada varias veces desde puntos de partida aleatorios.

Los refinamientos comunes en la SGD agregan factores que corrigen la dirección del gradiente según el impulso o ajustan la velocidad de aprendizaje según el progreso de una pasada a través de los datos (llamada época) a la siguiente.