¿Qué es Machine Learning?⌗

Los algoritmos de machine learning son capaces de generalizar a partir de ejemplos de una tarea:

• Ejemplo: un algoritmo de clasificación es capaz de "ver" imágenes etiquetadas en un set de datos de entrenamiento y aprender cómo aplicar estas etiquetas a nuevas imágenes jamás vistas anteriormente.

No todos los problemas se pueden resolver con la forma clásica de programación⌗

Problema clásico: ¿Cómo obtengo datos de una fuente de datos y los presento en una interfaz de usuario?

Problema nuevo: Convertir voz humana a texto

Debido a la gran complejidad de estos nuevos problemas, una serie de instrucciones (programa clásico) no basta para resolverlos de forma efectiva.

Los modelos de Machine Learning son capaces de aprender mediante ejemplos⌗

• Los algoritmos aprenden reglas a partir de ejemplos etiquetados
• Un set de ejemplos etiquetados utilizados para el aprendizaje es llamado training data (datos de entrenamiento)
• Las reglas aprendidas mediante los ejemplos deben poder generalizarse para reconocer correctamente o predecir nuevos ejemplos que no se incluyeron en el set de datos de entrenamiento.

---

El Machine Learning nos ofrece la tecnología que nos permite aprender reglas de forma eficiente a partir de ejemplos etiquetados (training data). Esta, resulta en una forma más precisa y flexible que tener que programar "a mano" una serie de instrucciones.

---

Problema básico de machine learning⌗

Uno de los objetivos principales del Machine Learning es explorar cómo los computadores pueden programarse a sí mismos para realizar una tarea, mejorando su rendimiento automáticamente a medida ganan experiencia.

Esta experiencia puede tomar forma en datos, en diferentes formatos o situaciones, como:

• Ejemplos etiquetados: clasificar spam de correos electrónicos.
• Feedback de usuarios: clicks de un usuario en una página web.
• Entorno inmediato: vehículos con piloto automático.

Para resolver este tipo de problemas, el machine learning se apoya en:

• Métodos estadísticos que buscan

  • Inferir conclusiones a partir de los datos.
  • Estimar la certeza de las predicciones.

• Ciencias de la computación

  • Arquitecturas computacionales a gran escala (Big data).
  • Algoritmos capaces de capturar, manipular, indexar, combinar, obtener y realizar predicciones en base a datos.

• Economía, biología, psicología

  • ¿Cómo puede un individuo o sistema mejorar eficientemente su rendimiento en un entorno determinado?
  • ¿Qué es el aprendizaje? ¿Cómo puede optimizarse?

Aplicando Machine Learning⌗

Tipos de Aprendizaje de Máquina

• Supervisado: aprender a predecir los valores ideales a partir de datos etiquetados
  • Clasificación: los valores ideales son clases discretas (un número de posibilidades finitas - ej: spam/no spam, masculino/femenino, camión/auto/motocicleta, limón/naranja/manzana/mandarina)
  • Regresión: los los valores ideales son valores continuos (ej: kilos, temperatura, tiempo en segundos)

¿Quiénes clasifican las imágenes? ej: Amazon Mechanical Turk

• No Supervisado: encontrar estructuras en datos no etiquetados
  • Clustering: encontrar grupos de instancias similares en los datos
  • Outlier detection (datos atípicos): detección de patrones inusuales

¿Cómo abordo un problema de Machine Learning?⌗

Flujo de trabajo básico:

1) Representación (Feature Representation): consiste en representar el problema de una forma en la que un computador pueda entenderlo. En esta fase se analiza el problema y selecciono:

• Atributos/Características/Propiedades que describen al/los objeto(s):
  ej: pixeles de una imagen

• Tipo de algoritmo a utilizar: seleccionar el mejor modelo de machine learning
  ej: clasificador de k-vecinos más cercanos

2) Evaluación (Evaluation): permite chequear y comparar la eficiencia de los distintos modelos, para así saber (a ciencia cierta) qué modelos tienen buenos resultados y cuáles no. En esta fase selecciono:

• ¿Qué criterios distinguen a un buen modelo de uno malo?
  ej: porcentaje de predicciones en un set de datos de prueba

3) Optimización (Optimization): en este paso buscamos por el modelo óptimo, que nos de los mejores resultados basándonos en la evaluación previa. En esta fase seleccionamos:

• La configuración/parámetros que den al modelo el mejor rendimiento.
  ej: probar con una serie de valores como parámetros para un clasificador de k-vecinos más cercanos

Ver más sobre aprendizaje de máquina