Blog

Machine Learning

¿Qué es Machine Learing o ML?, es una disciplina de la inteligencia artificial y se puede definir como la habilidad de las máquinas para predecir resultados sin estar programadas explícitamente, en otras palabras, son sistemas computacionales que tienen la capacidad de aprender por sí solos, lo único que necesitan son datos que los alimenten y que con forme pasa el tiempo se vuelven más expertos en encontrar patrones y predecir comportamientos futuros, la estadística es la base del ML.

Con Machine Learning se crean e implementan algoritmos que permiten a las maquinas recibir datos y usarlos para:

• Hacer predicciones
• Análisis de patrones.
• Dar recomendaciones.

Es imposible implementar Machine Learning sin tener información y está en estrecha relación con el Business Intelligence y Big Data, en la actualidad algunas herramientas de BI están siendo aplicadas en el ámbito del Machine Learning.

Inteligencia Artificial, Machine Learning y Deep Learning, ¿es lo mismo?

Existen otros conceptos que han tomado relevancia en conjunto del Machine Learning, los cuales son Inteligencia Artificial y Deep Learning, existe mucha confusión debido a que muchas personas piensan que son lo mismo, pero no es así, aquí te explicamos las diferencias entre ellos.

La inteligencia artificial (AI).

El concepto es bastante viejo, el concepto fue acuñado en 1956, sin embargo, se ha vuelto bastante popular actualmente y la razón es simple, anteriormente no teníamos suficiente información como la tenemos ahora para poder predecir resultados certeros.

Es un concepto más amplio que tan solo hacer que las maquinas sean capaces de realizar tareas de forma inteligente, este concepto cubre todo lo que tenga que ver con habilita a las computadoras para ser lo más parecidas a los humanos, para ejemplificar este punto, cuando le preguntas algo a Siri en el iPhone y obtienes una respuesta bastante acertada, esto es inteligencia artificial o bien el piloto automático de Tesla.

Machine Learning (ML).

Como ya lo mencioné es parte de la AI y tiene que ver con establecer esa conexión entre la computadora y los datos en los que utilizará algoritmos para aprender por si sola con el objetivo de encontrar patrones y encontrar soluciones optimas a problemas.

Deep Learning (DL).

Al igual que la AI, no es un concepto tan nuevo, es también parte de la AI, muy semejante al Machine Learning, se inspira en cómo funciona el cerebro a través de neuronas, de aquí nace el concepto de redes neuronales artificiales las cuales están conectadas entre si para procesar grandes cantidades de información.

En términos generales es la evolución del Machine Learning y una de las diferencias principales es volumen de información que puede soportar, teniendo claro que Deep Learning soporta mucha más información además de que por su esencia de redes neuronales necesita de mucha información para obtener resultados más acertados.

Las redes neuronales funcionan por capas y entre más neuronas se agregan tiene la capacidad de aprender con mayores niveles de abstracción permitiendo al sistema aprender funciones complejas sin especificar ningún algoritmo. Como dato curioso, nadie sabe que es lo que pasa dentro de la red neuronal y porqué funciona tan bien, es como una caja negra.

En resumen, para dejar más clara la diferencia entre ML y DL:

Machine Learning utiliza algoritmos para analizar información, aprender de los datos y tomar decisiones basado en lo que aprendió.

Deep Learning estructura algoritmos en capas para crear redres neuronales artificiales que pueden aprender y tomar decisiones inteligentes por sí solas.

¿Cómo se aplica el Machine Learning en la vida real?

Con software de Machine Learning se puede extraer información de compañías terceras tal como Facebook, Shopify, Twitter, identificando nuevos patrones y sugiriendo recomendaciones en tiempo real para los tomadores de decisiones de la compañía, mejorando el desempeño del negocio.

ML puede ser aplicado para la retención y adquisición de clientes al desarrollar modelos que pueden predecir cual será la próxima compra de los clientes, un ejemplo claro de esto lo tenemos con Amazon, todos aquellos que hemos comprado en ese portal hemos sido víctimas del ML cuando vemos esos productos que nos sugiere la plataforma.
Otro ejemplo donde se está aplicando es en el ámbito financiero, específicamente para la prevención de fraudes, alimentando al modelo de datos con información sobre fraudes cometidos anteriormente el modelo tendrá la capacidad de detectar patrones en tiempo real para prevenir al sistema financiero sobre actividad fraudulenta.

¿Cómo funciona Machine Learning?

ML funciona a través del aprendizaje y en términos generales se establece un ciclo mediante el cual inicialmente se entrena al algoritmo mediante información etiquetada y no etiquetada, con esta información se construye un modelo, posteriormente nueva información es ingresada al sistema para que sea procesada por el algoritmo y de esta forma el sistema pueda realizar una predicción, posteriormente la predicción es evaluada, se mide la exactitud del resultado y si el porcentaje es aceptable finalmente es desplegado, en caso contrario el ciclo de aprendizaje se repite, este ciclo se repite tantas veces sean necesarias hasta el que el algoritmo llegue a un nivel aceptable de exactitud.

El aprendizaje se divide en tres tipos, los cuales se describen a continuación.

Aprendizaje Supervisado.

Imagina que decides cambiar de profesión y consigues tu primer empleo, durante las primeras semanas es seguro que recibirás entrenamiento de cómo funciona el negocio, lo que se tiene que hacer, etc. hasta que después de un tiempo seas todo un master. Tomando como base este escenario pasa lo mismo con el aprendizaje supervisado, se entrena al sistema por medio de muestras, por ejemplo, si necesitamos que el sistema sea capaz de identificar fotos de gatitos entonces se le proporcionan algunas fotos en las cuales se etiqueten, después de esta fase de entrenamiento se le podrán proporcionar fotos de gatos y otros animales sin etiquetar siendo capas el sistema de identificar únicamente lo gatos.

Con este tipo de aprendizaje podemos obtener dos tipos de resultados:

• Clasificación o Clustering. Con este algoritmo el sistema es capaz de identificar patrones y clasificar elementos en diferentes grupos, por ejemplo, clasificar a los empleados en dos grupos, aquellos que tienen baja o mucha probabilidad de dejar la compañía.
• Regresiones. El objetivo de este algoritmo es predecir un valor continuo, realiza una estimación basada en datos que se le ingresan, por ejemplo, estimar la demanda que tendrá un producto para el próximo mes.

Aprendizaje no supervisado.

En este tipo de aprendizaje no se le da al sistema objetos etiquetados, lo que pasa aquí es que busca similitudes, busca ejemplos que se parezcan y puedan agrupar, como ejemplo de este aprendizaje, lo encontramos en el reconocimiento facial, el algoritmo no busca unos rasgos en específico, sino una serie de patrones comunes con los cuales pueda identificar que se trata del mismo rostro.

Aprendizaje por esfuerzo.

Este tipo de aprendizaje se realiza mediante prueba y error, usando funciones de premio que optimizan el comportamiento del sistema, se repiten las tareas tantas veces sean necesarias hasta lograr la mejor forma de completar la tarea asignada, un ejemplo muy básico de este tipo de aprendizaje es entrenar a una computadora para jugar ajedrez.

Machine Learning y Python.

No son muchas las herramientas o software que necesitas para hacer ciencia de datos, Machine Learning va de la mano con Python y para realizar análisis de información utilizando técnicas de ML es necesario tenerlo instalado en la computadora, pero antes de eso, empecemos con saber que es Python.

De forma muy general Python es un lenguaje de programación multipropósito, es decir este lenguaje puede ser utilizado para crear páginas webs, aplicaciones móviles, procesamiento de imágenes, construir sistemas de información, análisis de datos, extracción de datos de sitios web y lo que nos interesa en este momento, Machine Learning.

Además de Python es necesario instalar Jupyter el cual nos dará esa parte visual que nos permitirá trabajar con Python, el nombre proviene de la derivación de Julia Python. Jupyter está basado en web, es decir que al abrirlo se mostrará en Chrome, iExplorer o Firefox según el navegador que tengas, este cuaderno nos permite escribir código e ir ejecutándolo simultáneamente dándonos la facilidad de ir evaluando cada paso que construimos.

Pero espera, antes de que vayas a instalar Python y Jupyter por separado te recomendamos que instales anaconda, este programa ya contiene todo lo necesario para hacer Machine Learning e incluso más.