Aprendizaje automático: aplicaciones

Introducción

El aprendizaje automático es una de las tecnologías más emocionantes que uno podría haber encontrado. Como se desprende del nombre, le da a la computadora lo que la hace más similar a los humanos: la capacidad de aprender. El aprendizaje automático se está utilizando activamente en la actualidad, quizás en muchos más lugares de los que cabría esperar. Probablemente usamos un algoritmo de aprendizaje docenas de veces sin siquiera saberlo. Las aplicaciones del aprendizaje automático incluyen:

• Motor de búsqueda web: una de las razones por las que los motores de búsqueda como google, bing, etc. funcionan tan bien es porque el sistema ha aprendido a clasificar las páginas a través de un complejo algoritmo de aprendizaje.

• Aplicaciones de etiquetado de fotos: ya sea Facebook o cualquier otra aplicación de etiquetado de fotos, la capacidad de etiquetar amigos hace que sea aún más divertido. Todo es posible gracias a un algoritmo de reconocimiento facial que se ejecuta detrás de la aplicación.

• Detector de correo no deseado: nuestro agente de correo como Gmail o Hotmail hace un gran trabajo para nosotros al clasificar los correos y mover los correos no deseados a la carpeta de correo no deseado. Esto se logra nuevamente mediante un clasificador de spam que se ejecuta en el back-end de la aplicación de correo.

Hoy en día, las empresas utilizan Machine Learning para mejorar las decisiones comerciales, aumentar la productividad, detectar enfermedades, pronosticar el clima y hacer muchas más cosas. Con el crecimiento exponencial de la tecnología, no solo necesitamos mejores herramientas para comprender los datos que tenemos actualmente, sino que también debemos prepararnos para los datos que tendremos. Para lograr este objetivo necesitamos construir máquinas inteligentes. Podemos escribir un programa para hacer cosas simples. Pero para la mayoría de las veces, la inteligencia de cableado es difícil. La mejor manera de hacerlo es tener alguna forma para que las máquinas aprendan cosas por sí mismas. Un mecanismo para el aprendizaje: si una máquina puede aprender de la entrada, entonces hace el trabajo duro por nosotros. Aquí es donde entra en acción el aprendizaje automático. Algunos ejemplos de aprendizaje automático son:

• Minería de bases de datos para el crecimiento de la automatización: las aplicaciones típicas incluyen datos de clics web para una mejor UX (experiencia del usuario), registros médicos para una mejor automatización en el cuidado de la salud, datos biológicos y muchos más.

• Aplicaciones que no se pueden programar: Hay algunas tareas que no se pueden programar ya que las computadoras que usamos no están modeladas de esa manera. Los ejemplos incluyen conducción autónoma, tareas de reconocimiento de datos no ordenados (reconocimiento facial/reconocimiento de escritura a mano), procesamiento de lenguaje natural, visión artificial, etc.
• Comprender el aprendizaje humano: esto es lo más cercano que hemos entendido e imitado el cerebro humano. Es el comienzo de una nueva revolución, la verdadera IA. Ahora, después de una breve descripción, pasemos a una definición más formal de aprendizaje automático.
• Arthur Samuel (1959): “El aprendizaje automático es un campo de estudio que brinda a las computadoras la capacidad de aprender sin ser programadas explícitamente”. Samuel escribió un programa de juego Checker que podía aprender con el tiempo. Al principio se podía ganar fácilmente. Pero con el tiempo, aprendió todas las posiciones del tablero que eventualmente lo llevarían a la victoria o la derrota y, por lo tanto, se convirtió en un mejor jugador de ajedrez que el propio Samuel. Este fue uno de los intentos más tempranos de definir Machine Learning y es algo menos formal.
• Tom Michel (1999): “Se dice que un programa de computadora aprende de la experiencia E con respecto a alguna clase de tareas T y una medida de desempeño P, si su desempeño en las tareas en T, medido por P, mejora con la experiencia E”. Esta es una definición más formal y matemática. Para el programa de Ajedrez anterior
  • E es el número de juegos.
  • T está jugando al ajedrez contra la computadora.
  • P es ganancia/pérdida por computadora.

En el próximo tutorial, clasificaremos los tipos de problemas de Machine Learning y también discutiremos sobre paquetes útiles y entornos de configuración para Machine Learning y cómo podemos usarlo para diseñar nuevos proyectos.

Referencias:

[1] Aprendizaje automático en acción por Peter Harrington.

[2] cs229.stanford.edu

Este artículo es una contribución de Abhishek Sharma . Si le gusta GeeksforGeeks y le gustaría contribuir, también puede escribir un artículo y enviarlo por correo a review-team@geeksforgeeks.org. Vea su artículo que aparece en la página principal de GeeksforGeeks y ayude a otros Geeks.