Informe Tic

Machine learning
El Machine Learning es una disciplina del campo de la Inteligencia Artificial que, a

través de algoritmos, dota a los ordenadores de la capacidad de identificar
patrones en datos masivos y elaborar predicciones (análisis predictivo). Este
aprendizaje permite a los computadores realizar tareas específicas de forma
autónoma, es decir, sin necesidad de ser programados.
El término se utilizó por primera vez en 1959. Sin embargo, ha ganado relevancia
en los últimos años debido al aumento de la capacidad de computación y
al boom de los datos. Las técnicas de aprendizaje automático son, de hecho,
una parte fundamental del Big Data.
El aprendizaje automático (AA), aprendizaje automatizado, aprendizaje de

máquinas o aprendizaje computacional (del inglés, machine learning) es el
subcampo de las ciencias de la computación y una rama de la inteligencia artificial,
cuyo objetivo es desarrollar técnicas que permitan que las
computadoras aprendan. Se dice que un agente aprende cuando su desempeño
mejora con la experiencia y mediante el uso de datos; es decir, cuando la
habilidad no estaba presente en su genotipo o rasgos de nacimiento.[1] "En el
aprendizaje de máquinas un computador observa datos, construye un modelo
basado en esos datos y utiliza ese modelo a la vez como una hipótesis acerca del
mundo y una pieza de software que puede resolver problemas".[2]
En muchas ocasiones el campo de actuación del aprendizaje automático se
solapa con el de la estadística inferencial, ya que las dos disciplinas se basan en
el análisis de datos. Sin embargo, el aprendizaje automático incorpora las
preocupaciones de la complejidad computacional de los problemas. Muchos
problemas son de clase NP-hard, por lo que gran parte de la investigación
realizada en aprendizaje automático está enfocada al diseño de soluciones
factibles a esos problemas. El aprendizaje automático también está estrechamente
relacionado con el reconocimiento de patrones. El aprendizaje automático puede
ser visto como un intento de automatizar algunas partes del método
científico mediante métodos matemáticos. Por lo tanto es un proceso de inducción
del conocimiento.
El aprendizaje automático tiene una amplia gama de aplicaciones,
incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el
uso de tarjetas de crédito, análisis de mercado para los diferentes sectores de
actividad, clasificación de secuencias de ADN, reconocimiento del habla y
del lenguaje escrito, juegos y robótica.
Aplicaciones
Fabricación
El machine learning puede respaldar el mantenimiento predictivo, el control de

calidad y la investigación innovadora en el sector de la fabricación. La tecnología
de machine learning también ayuda a que las empresas mejoren sus soluciones
logísticas, como la administración de recursos, la cadena de suministro y la
administración de inventario. Por ejemplo, el gigante de la
fabricación 3M utiliza AWS Machine Learning para innovar el papel de lija. Los
algoritmos de machine learning permiten a los investigadores de 3M analizar el
modo en que los pequeños cambios de forma, tamaño y orientación pueden
mejorar la aspereza y resistencia. Estas sugerencias documentan el proceso de
fabricación.
Sanidad y ciencias biológicas
La proliferación de dispositivos y sensores ponibles ha generado un importante

volumen de datos sanitarios. Los programas de machine learning pueden analizar
esta información y apoyar a los médicos en el diagnóstico y tratamiento en tiempo
real. Los investigadores dedicados al machine learning desarrollan soluciones que
detectan tumores cancerosos y diagnostican enfermedades oculares, lo que tiene
un gran impacto en los resultados de salud. Por ejemplo, Cambia Health
Solutions utilizó AWS Machine Learning para apoyar a las empresas emergentes
del sector de la salud, con el fin de automatizar y personalizar el tratamiento de las
mujeres embarazadas.
Servicios financieros
Los proyectos financieros de machine learning mejoran la regulación y análisis de

riesgos. La tecnología de machine learning permite que los inversores identifiquen
nuevas oportunidades mediante el análisis de los movimientos del mercado
bursátil, la evaluación de los fondos de cobertura o la calibración de las carteras
financieras. Además, ayuda a identificar a clientes que impliquen préstamos de
alto riesgo y a mitigar los indicios de fraude. El líder de software
financiero Intuit utiliza el sistema de AWS Machine Learning, Amazon Textract,
para lograr que la administración financiera sea más personalizada y ayudar a los
usuarios finales a mejorar su situación financiera.
Venta minorista
La venta minorista puede utilizar el machine learning para mejorar el servicio al

cliente, la administración del inventario, las ventas adicionales y el marketing
multicanal. Por ejemplo, Amazon Fulfillment (AFT) redujo los costos de
infraestructura en un 40 por ciento gracias a un modelo de machine learning que
permite identificar el inventario extraviado. Esto ayuda a cumplir el compromiso de
Amazon de tener los artículos disponibles para el cliente y entregarlos a tiempo,
sin importar que cada año se procesen millones de envíos globales.
Contenido multimedia y entretenimiento
Las empresas de entretenimiento recurren al machine learning para comprender

mejor a su audiencia y poder ofrecerles contenidos inmersivos, personalizados y
bajo demanda. Los algoritmos de machine learning se implementan para ayudar a
diseñar tráileres y otro tipo de anuncios, ofrecer a los consumidores
recomendaciones de contenido personalizadas e incluso agilizar la producción.
Por ejemplo, Disney utiliza el aprendizaje profundo de AWS para archivar la

biblioteca de contenido multimedia. Las herramientas de AWS Machine Learning
etiquetan, describen y clasifican automáticamente el contenido multimedia. Esto
permite que los guionistas y animadores busquen y se familiaricen rápidamente
con los personajes de Disney.
Tipos de Algoritmos
Los diferentes algoritmos de Aprendizaje Automático se agrupan en

una taxonomía en función de la salida de los mismos. Algunos tipos de algoritmos
son:
Aprendizaje supervisado
El algoritmo produce una función que establece una correspondencia entre

las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de
algoritmo es el problema de clasificación, donde el sistema de aprendizaje
trata de etiquetar (clasificar) una serie de vectores utilizando una entre
varias categorías (clases). La base de conocimiento del sistema está
formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje
puede llegar a ser muy útil en problemas de investigación biológica, biología
computacional y bioinformática.
Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de

ejemplos formado tan solo por entradas al sistema. No se tiene información
sobre las categorías de esos ejemplos. Por lo tanto, en este caso, el
sistema tiene que ser capaz de reconocer patrones para poder etiquetar las
nuevas entradas.
Aprendizaje por refuerzo

El algoritmo aprende observando el mundo que le rodea. Su información de
entrada es el feedback o retroalimentación que obtiene del mundo exterior
como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de
ensayo-error.
El aprendizaje por refuerzo es el más general entre las tres categorías. En
vez de que un instructor indique al agente qué hacer, el agente inteligente
debe aprender cómo se comporta el entorno mediante recompensas
(refuerzos) o castigos, derivados del éxito o del fracaso respectivamente. El
objetivo principal es aprender la función de valor que le ayude al agente
inteligente a maximizar la señal de recompensa y así optimizar sus políticas
de modo a comprender el comportamiento del entorno y a tomar buenas
decisiones para el logro de sus objetivos formales.
Los principales algoritmos de aprendizaje por refuerzo se desarrollan dentro
de los métodos de resolución de problemas de decisión finitos de Markov,
que incorporan las ecuaciones de Bellman y las funciones de valor. Los tres
métodos principales son: la Programación Dinámica, los métodos de Monte
Carlo y el aprendizaje de Diferencias Temporales.[4]

Informe Tic

Cargado por

Copyright:

Formatos disponibles

Informe Tic

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Informe Tic

Cargado por

Copyright:

Formatos disponibles

Machine learning

El Machine Learning es una disciplina del campo de la Inteligencia Artificial que, a

El aprendizaje automático (AA), aprendizaje automatizado, aprendizaje de

El machine learning puede respaldar el mantenimiento predictivo, el control de

Sanidad y ciencias biológicas

La proliferación de dispositivos y sensores ponibles ha generado un importante

Los proyectos financieros de machine learning mejoran la regulación y análisis de

La venta minorista puede utilizar el machine learning para mejorar el servicio al

Contenido multimedia y entretenimiento

Las empresas de entretenimiento recurren al machine learning para comprender

Por ejemplo, Disney utiliza el aprendizaje profundo de AWS para archivar la

Los diferentes algoritmos de Aprendizaje Automático se agrupan en

El algoritmo produce una función que establece una correspondencia entre

Todo el proceso de modelado se lleva a cabo sobre un conjunto de

Aprendizaje por refuerzo

También podría gustarte