¿Qué es una tecnica de machine learning?

Después de entender qué es el aprendizaje automático, conviene conocer los tres tipos de algoritmos de aprendizaje automático existentes: supervisado, no supervisado y de refuerzo.

En el aprendizaje supervisado, la máquina se enseña con el ejemplo. Por lo tanto, el operador proporciona al algoritmo de aprendizaje automático un conjunto de datos conocido que incluye las entradas y salidas deseadas, y el algoritmo debe encontrar un método para determinar cómo llegar a estas entradas y salidas.

Usos del aprendizaje automático

El aprendizaje automático puede tener muchas aplicaciones y usos. Entre ellos, se puede utilizar para soluciones que funcionan aplicando un gran conjunto de reglas o heurísticas. Estos sistemas de aprendizaje también son útiles cuando se enfrentan problemas complejos donde un analista no puede determinar una solución basada en la información existente. También se aplica, por ejemplo, en casos donde hay un conjunto de datos muy grande que es difícil de interpretar. Y, como veremos en este artículo, otro de sus usos más importantes es la implementación de controles que mitiguen los riesgos relacionados con la seguridad de la información.

Entre las numerosas técnicas de aprendizaje automático existentes, podemos destacar las siguientes cuatro. Esta clasificación está relacionada con cómo se entrena el algoritmo:

Ayuda a la conversión

Estos sistemas actúan sobre los resultados del aprendizaje automático y convierten el mensaje de marketing en algo más dinámico.

Además, ayudan a retener y convertir a un cliente en particular, procesando la información rápidamente en el momento adecuado para hacer contacto.

Otros artículos que le pueden interesar:

  • The New York Times busca el aprendizaje automático para comprender el comportamiento de los lectores. a través de Gigaom.com
  • ¡El aprendizaje automático es divertido! a través de medium.com
  • Predicción de CTR con aprendizaje automático en línea. a través de mlwave.com

Muéstrame este artículo en inglés.

Una de las técnicas de aprendizaje no supervisado que se utilizan es el Clustering, donde el algoritmo agrupa los valores de entrada según determinados criterios. Esto se puede usar, por ejemplo, para sugerir productos relacionados en un sitio web o aplicación de venta de productos. En este caso, los clústeres pueden ser productos relacionados, que se utilizan para insinuar al usuario que está viendo o ha comprado un determinado producto.

El aprendizaje por refuerzo es aprender qué hacer, cómo asignar acciones a situaciones, para maximizar una señal de recompensa numérica. Al alumno no se le dice qué acciones tomar, como con la mayoría de las formas de aprendizaje automático, pero debe descubrir qué acciones producen la mayor recompensa al probarlas. El aprendizaje por refuerzo es diferente del aprendizaje supervisado. El aprendizaje supervisado es aprender de ejemplos proporcionados por un supervisor experto externo. En problemas interactivos, a menudo no es práctico obtener ejemplos del comportamiento deseado que sean correctos y representativos de todas las situaciones en las que el agente debe actuar. En un territorio desconocido, donde se espera que el aprendizaje sea más beneficioso, un agente debe poder aprender de su propia experiencia. El aprendizaje por refuerzo es tan conocido hoy en día porque es el principal algoritmo utilizado para resolver diferentes juegos y, en ocasiones, lograr un rendimiento sobrehumano. Los más famosos deben ser AlphaGo y AlphaGo Zero. AlphaGo, entrenado con numerosos juegos humanos, ya ha logrado un rendimiento sobrehumano utilizando la red de valor y la búsqueda del árbol de Monte Carlo (MCTS) en su red de políticas. Sin embargo, investigadores posteriores pensaron y probaron un enfoque de aprendizaje por refuerzo más puro: entrenarlo desde cero. Los investigadores dejaron que el nuevo agente, AlphaGo Zero, jugara consigo mismo y terminó venciendo a AlphaGo 100-0.

En un próximo post veremos qué problemas ya fueron resueltos usando Machine Learning, y más adelante les contaré qué estamos haciendo en GeneXus para facilitar su integración en nuestras aplicaciones.