Cuando hablamos de Machine Learning, más que aprendizaje hablamos de un "entrenamiento" para que un sistema identifique patrones a partir del análisis de datos y luego pueda tomar decisiones, como ya vimos en el post "¿Qué onda con el Machine learning?".
Ahora, este "entrenamiento" puede ser de diferente tipo dependiendo de los datos disponibles y de la tarea que se quiera realizar:
Supervisado: los algoritmos que responden a este tipo CUENTAN CON UN APRENDIZAJE PREVIO basado en un sistema de etiquetas asociadas a unos datos que les permiten tomar decisiones o hacer predicciones. Esto se puede observar en un detector de spam que etiqueta un e-mail como spam o no dependiendo de los patrones que ha aprendido del histórico de correos recibidos.
Semi supervisado: en éste sólo se utilizan un GRUPO MÍNIMO DE ETIQUETAS por lo que la mayoría son grupos de datos no etiquetados. Se basa en ciertas suposiciones sobre los datos no etiquetados. Un ejemplo es un Clasificador de documentos de textos.
No supervisado: en este caso el algoritmo NO CUENTA con un conocimiento previo. Debe analizar los datos que recibe y encontrar patrones para organizarlos de alguna forma. Por ejemplo, en el área de Marketing se analizan múltiples cantidades de datos provenientes de las redes sociales para la creación de campañas publicitarias.
Aprendizaje por refuerzo: en éste el algoritmo debe aprender algo a partir de la PROPIA EXPERIENCIA, tomando la mejor decisión en diferentes situaciones a partir de un proceso de ensayo-error donde se recompensan las decisiones correctas. Un ejemplo, son las IA de reconocimiento facial.
En la siguiente imagen, encontrarán más ejemplos de cada uno de los tipos de Machine Learning.
Como se pudo evidenciar el Machine Learning es una herramienta poderosa por la cual se convierten los datos en información, facilitando la toma de decisiones. Sin embargo, no debemos olvidar que permite aprendizajes fragmentarios, de habilidades específicas, diferenciándose así del aprendizaje humano que provee una toma de decisiones holística e integral.
No hay comentarios.:
Publicar un comentario