Nebulova Blog

Data Science

Qué es el Machine Learning

Cuando se pronuncia el término machine learning (ML), automáticamente nuestro cerebro lo asocia a un robot que aprende por su cuenta. Esto no es cierto, o por lo menos no del todo.

Para definir el término ML, es muy importante saber cuándo y por qué surgió dicho concepto. En realidad, a nuestros alumnos siempre les decimos que machine learning no es algo nuevo.

Algunas definiciones literales presentes en los libros de texto sugieren que al campo de ML le concierne responder preguntas sobre cómo construir programas informáticos que de forma automática mejoren con la experiencia.

De hecho, las bases que sustentan los principios de ML existían incluso antes de los propios ordenadores. Entonces uno puede preguntarse: ¿por qué justo ahora está de moda el machine learning? La respuesta es muy sencilla: porque ahora el poder computacional es lo suficientemente potente como para poder ejecutar los algoritmos de ML.

Por lo tanto, se puede interpretar que en el campo de ML, la tarea consiste en diseñar e implementar algoritmos computacionales. Dichos algoritmos se basarán en los datos para realizar ciertas acciones, y que el rendimiento de éstas mejore con la experiencia.

Las matemáticas y machine learning

Se ha de recalcar que, las matemáticas juegan un papel muy importante en el campo de ML. Tan importante que, prácticamente todos los algoritmos de ML han de tener una base matemática. Por ejemplo, el aprendizaje de un algoritmo de machine learning no es más que las correcciones introducidas por unas ecuaciones matemáticas.

Un ejemplo muy sencillo de un algoritmo de ML podría ser la regresión lineal que todo estudiante de ciencias conoce. La regresión lineal se utiliza para predecir, por ejemplo, el precio de la pizza basándose en variables como el tamaño, el número de ingredientes y el día del año. Un gran número de algoritmos de ML utilizan la regresión lineal para tomar ciertas decisiones.

Entonces uno puede preguntarse, ¿se requiere un nivel muy avanzado de matemáticas para introducirse en el campo de ML? La respuesta corta es no. Sí es verdad que hay algoritmos de ML que se han definido utilizando matemáticas avanzadas, pero la mayoría de ellos tienen su fundamento matemático de nivel muy básico.

Aplicaciones de machine learning

En el mundo actual, los algoritmos de machine learning están resultando ser muy útiles. La gran mayoría de las aplicaciones de los algoritmos tiene por objetivo automatizar tareas, extraer información oculta, mejorar experiencia del usuario/cliente y ahorrar en recursos.

A continuación vemos unos cuantos casos de uso reales de machine learning:

  • Clasificar texto por su categoría (e.g. si un comentario de facebook es positivo, negativo o neutro, categorizar tipo de prenda, etc).
  • Reconocimiento de imagen (e.g. detección de objetos, reconocimiento facial, detección de anomalías en la carretera, etc).
  • Predicción de eventos (e.g. fluctuaciones de la moneda, número de ventas por producto, la próxima visita de un cliente, etc).

Próximos pasos

Si quieres seguir aprendiendo sobre machine learning, te recomendamos los siguientes libros introductorios.

  1. Practical Machine Learning with Python
  2. Machine Learning in Action
  3. Python Machine Learning Blueprints

Además, en Nebulova tenemos bootcamps y cursos avanzados impartidos por profesores activos tanto en el sector de la investigación como comercial. Quizá te interesa el bootcamp de data science & ai, data analytics o data & cloud engineering. En nuestra escuela se respira un ambiente muy técnico, aplicado, y quizás el más ‘friki’.