INICIO

En esta página se realiza una breve introducción al Aprendizaje Automático, sus aplicaciones, las secciones en las que se ha dividido esta web y alguno enlaces de interés de esta rama de la IA.

¿Qué es el Aprendizaje Automático?

El aprendizaje automático es una de las ramas principales de la Inteligencia Artificial (IA), que se centra en el desarrollo de técnicas para poder crear algoritmos capaces de extraer modelos o patrones de información no estructurada a partir de datos o experiencias previas.

En ocasiones se define este conjunto de técnicas como aquellos procedimientos que permiten a una computadora a aprender. Realmente dicha máquina no aprende en sí, sino que se le dan unas pautas para poder transformar los datos de entrada en conocimiento y así dotarla de capacidad de una adaptación a unas circunstancias específicas. Esto hace que la aplicación de técnicas de aprendizaje automático a problemas que varían en el tiempo o que necesitan un entorno particular sea exitosa.

¿Cómo se aplican las técnicas basadas en el Aprendizaje Automático?

El esquema de cómo funciona un algoritmo basado en técnicas de aprendizaje automático sería el siguiente. En primer lugar se tiene un conjunto de ejemplos, sobre el cuál se aplicarán dichas técnicas, con el fin de generar un modelo. Este modelo será capaz de dar una respuesta satisfactoria sobre un nuevo ejemplo, no contemplado en el conjunto inicial.

Para comprender mejor cómo se genera ese modelo es necesario un ejemplo. En una mina, se quiere conocer si al extraer un roca es mineral (veta) o una roca sin valor (ganga). Para ello se tiene un conjunto de datos sobre rocas extraídas ya clasificadas, es decir, de cada uno de ellos se tiene un conjunto de propiedades numéricas y su categoría (veta o ganga). ¿Cómo se podría detectar a qué categoría pertenece una nueva roca extraída?

Podría irse comparando cada una de las características de la nueva roca extraída con las del conjunto ya clasificado, pero el coste computacional sería muy alto (n factorial, siendo n el número de atributos de la roca extraída). Por tanto, es mucho más eficiente aplicar técnicas de aprendizaje automático como una red de neuronas o un árbol de clasificación para obtener un modelo que clasifique un nuevo ejemplo y determine si es una veta o ganga de manera automática. Si por ejemplo, se eligiese la opción de un árbol de clasificación, este iría construyendo un modelo basado en el conjunto de datos de ejemplo, que detectaría qué propiedades de todas las almacenadas como atributos son las que distinguen a la mena de la ganga, reduciendo el coste computacional. Cabe destacar que los algoritmos no tienen un porcentaje de acierto de clasificar del 100%, es decir, podría detectar una mena como ganga y viceversa.

¿Qué aplicaciones tiene?

Las aplicaciones de los distintos tipos y técnicas del Aprendizaje Automático estan en constante desarrollo, ya que se pueden aplicar a un rango muy amplio de tecnologías. El estado actual del Aprendizaje Automático es el de conseguir mejorar distintos algoritmos, protocolos y técnicas que se han usado para resolver un problema y darles una nuevas perspectiva desde el punto de vista de la IA, haciendolos más eficaces.

Los sectores en los cuáles estas técnicas de la IA estan teniendo un mayor auge y efectividad son los siguientes:

Banca: algoritmos para la predicción de la evolución de un mercado, detección de operaciones anómalas en tarjetas de crédito de clientes,etc.
Software: creación de nuevos algoritmos basados en estrategias evolutivas, detección de la mejor ruta en una red, geolocalización, tecnicas de mineria de datos,etc.
Ingeniería: detección automática de señales, conducción inteligente, etc.
Investigación: aplicación de tecnicas de clustering para el tratamiento y de datos

¿Qué tipos de Aprendizaje hay?

Se han categorizado las distintas técnicas y algoritmos que pertenecen al esta rama de la IA, según el tipo de aprendizaje que utilizan éstas. Tal y cómo se han dividido las secciones de esta página, cada una de ellas hace referencia a un tipo o a un subtipo de aprendizaje Son las siguientes:

Aprendizaje Supervisado: en este tipo de aprendizaje se engloban las técnicas que, para poder deducir una función o un patrón en un conjunto de datos, es necesario proveer al algoritmo en desarrollo un conjunto de datos entrenamiento, para así poder "entrenar" a dicho algoritmo y que éste pueda predecir el valor de cualquier entrada dada.

Aprendizaje No Supervisado: este método de Aprendizaje Automático se basa en modelos ajustados a las obsevaciones, es decir, que a diferencia del aprendizaje supervisado, no existe un conocimiento a priori. Los datos de entrada para un algoritmo basado en este aprendizaje,

Aprendizaje Subsimbólico: El funcionamiento de este tipo de aprendizaje se orienta en simular los elementos de más bajo nivel que componen o intervienen en los procesos inteligentes, con el objetivo que la combinación de elementos de cómo resultado un comportamiento inteligente.

Aprendizaje por Refuerzo: El aprendizaje por refuerzo es un tipo específico de aprendizaje no supervisado. Éste tipo de aprendizaje no utiliza ejemplos etiquetados para su entrenamiento, característica esencial del aprendizaje no supervisado, sino que aprende mediante un sistema de prueba y error.

Enlaces de Interés:

Los siguientes enlaces contienen información de interés sobre el aprendizaje automático, que pueden servir para completar los conceptos que brevemente se explican en esta web:

Contacto:

Siguenos en Facebook o en Twitter para estar al corriente de las novedades en el página(click en la imagen para ir a las respectivas cuentas):