Aprendizaje automático
Definición
El aprendizaje automático (ML) es el estudio de algoritmos que mejoran con la experiencia (datos). Los paradigmas principales incluyen aprendizaje supervisado (aprender de ejemplos etiquetados), aprendizaje no supervisado (encontrar estructura sin etiquetas) y aprendizaje por refuerzo (aprender de recompensas).
Se prefiere ML sobre reglas codificadas manualmente cuando el problema es demasiado complejo para especificarlo explícitamente o cuando los datos son abundantes. Se sitúa entre la IA clásica (reglas simbólicas) y el aprendizaje profundo (grandes redes neuronales); muchos sistemas reales combinan modelos ML con pipelines y lógica de negocio.
Cómo funciona
Entrenamiento: Se elige una representación (p. ej., modelo lineal, árbol o red neuronal) y un objetivo (pérdida para supervisado/no supervisado, recompensa para RL). Un optimizador (p. ej., descenso de gradiente) actualiza los parámetros del modelo para minimizar la pérdida o maximizar la recompensa en los datos de entrenamiento. Modelo: El resultado es un modelo ajustado (pesos, estructura) que captura patrones en los datos. Predicción: En tiempo de inferencia, se alimentan nuevas entradas al modelo para obtener salidas (etiquetas, puntuaciones o acciones). La evaluación usa splits de entrenamiento/validación/prueba para estimar la generalización y evitar el sobreajuste.
Casos de uso
El ML clásico destaca con datos estructurados o tabulares y etiquetas u objetivos claros.
- Clasificación de spam, detección de fraude y otras tareas de clasificación supervisada
- Sistemas de recomendación y filtrado colaborativo
- Pronósticos y predicción de series temporales
Documentación externa
- Curso acelerado de ML de Google
- Scikit-learn – Guía del usuario — ML clásico en la práctica