Si pensamos en el futuro del Big Data, es imposible imaginarlo sin Machine Learning. El Big Data maneja cantidades ingentes de datos, y es interesante automatizar este manejo tanto y tan bien como sea posible. Esta disciplina del ámbito de la Inteligencia Artificial ayuda a ordenadores y máquinas a predecir acciones futuras de manera automática, sin intervención humana. Para ello se emplean algoritmos que extraen datos y “aprenden” de ellos, aumentando su precisión para hacer mejores predicciones.
Antes, el único modo de que un sistema informático realizara alguna tarea era proporcionarle un algoritmo que definiese el contexto y los detalles de cada acción a realizar. Ahora, gracias al desarrollo del Machine Learning, existen algoritmos que llevan a cabo gran parte de estas acciones por sí mismos, haciendo sus propios cálculos a partir de los datos recopilados. El aprendizaje de estos sistemas consiste en su capacidad para identificar una gran variedad de patrones complejos que vienen determinados por una determinada cantidad de parámetros. Existen tres tipos de Machine Learning: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. ¿Qué caracteriza a cada uno?
El aprendizaje supervisado se basa en un proceso inicial de entrenamiento del sistema.
Se le proporciona un conjunto de datos a partir del cual se genera una función que conduce a cada dato al resultado deseado, hasta que la precisión del modelo haya alcanzado un nivel adecuado. A partir de este momento, el sistema ya está preparado para analizar automáticamente los datos que le lleguen. Algunos ejemplos de estos algoritmos son la regresión y el árbol de decisiones, y este tipo de Machine Learning tiene aplicación en el control de calidad de productos en una fábrica o en la cotización de una determinada empresa en bolsa.
El aprendizaje no supervisado busca comprender y abstraer patrones de información de manera directa, es decir, agrupa objetos con características comunes o similares para formar grupos de objetos parecidos. Se emplean algoritmos como algoritmos a priori o el método de las K-medias, y se aplican en la segmentación de clientes de una empresa o en plataformas como Youtube y Netflix, de lo cual ya se habló en un post anterior.
El tercer y último tipo de Machine Learning es el aprendizaje por refuerzo. Se trata de entrenar a la máquina para tomar decisiones específicas, exponiéndola a un ambiente donde practica continuamente por sí misma mediante ensayo y error para alcanzar la mayor recompensa. La máquina aprende de sus errores en el pasado e intenta conseguir el mayor conocimiento posible para tomar mejores decisiones. Se utilizan procesos de Markov y algoritmos Q-learning, y están teniendo aplicación en videojuegos.
Para concluir, es interesante aclarar en pocas palabras lo que busca cada tipo de aprendizaje en Machine Learning: en los algoritmos supervisados al sistema se le indica qué decisiones debe tomar, en los algoritmos no supervisados el sistema se centra en encontrar estructuras dentro de una colección de datos y en los algoritmos de aprendizaje por refuerzo el sistema se enfoca en aumentar la señal de recompensa con sus acciones.
Referencias:
- https://www.apd.es/que-es-machine-learning/
- https://cleverdata.io/que-es-machine-learning-big-data/
- https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/
- https://www.simplilearn.com/data-science-vs-data-analytics-vs-machine-learning-article
- https://cleverpy.com/diferencias-entre-big-data-machine-learning-y-deep-learning/
- https://medium.com/aprendizaje-por-refuerzo-introducci%C3%B3n-al-mundo-del/aprendizaje-por-refuerzo-introducci%C3%B3n-al-mundo-del-rl-1fcfbaa1c87
Big Little Data 