Tipos de aprendizaje automático
Aprendizaje supervisado
En el aprendizaje supervisado, el algoritmo usa información o puntos de datos1 existentes
que vienen con etiquetas o categorías claras. Por ejemplo, el algoritmo se entrena en una
serie de imágenes de gatos y perros (de varios tipos) para diferenciar entre los dos animales
en función de características como el color, tamaño, orejas, nariz, etc. Una vez entrenado,
puede etiquetar cualquier imagen nueva que se le dé como "gato" o "perro".
Esto permite a la máquina identificar perros y gatos de varios colores, tamaños y
características.
El objetivo del aprendizaje supervisado es que la máquina aprenda de muchos ejemplos
etiquetados.
Aprendizaje no supervisado
En el aprendizaje no supervisado, los puntos de datos existen sin etiquetas o categorías
adjuntas. A diferencia del aprendizaje supervisado, que se ocupa de los datos que ya están
etiquetados, el aprendizaje no supervisado se centra en organizar los datos y descubrir
patrones ocultos.
El método de aprendizaje no supervisado implica organizar los datos en distintos
clústeres2 o explorar diferentes puntos de vista para simplificar los datos complejos y
mejorar el análisis de datos. El objetivo es detectar conexiones significativas dentro de los
datos en lugar de confiar en etiquetas predefinidas.
Mientras que el aprendizaje supervisado asigna etiquetas como "gato" y "perro" a
imágenes, el aprendizaje no supervisado implica encontrar patrones inherentes sin la
ayuda de etiquetas explícitas. Imagine que un sistema de aprendizaje automático se
encarga de ordenar una colección de fotografías de animales salvajes que no incluyen
información sobre las especies de animales. En este ejemplo, los algoritmos de
aprendizaje no supervisados pueden identificar características similares en imágenes y
agruparlas sin instrucciones explícitas sobre el animal específico.
Aprendizaje de refuerzo
En el aprendizaje de refuerzo, el algoritmo determina el mejor curso de acción en función
de los datos y los comentarios. Por ejemplo, un robot usa sus sensores para procesar
información a intervalos de tiempo determinados. Una vez que el algoritmo clasifica y
1
En aprendizaje automático, un punto de datos se refiere a una instancia individual en un conjunto
de datos. Cada punto representa una observación o una entrada específica. Por ejemplo, si estamos
trabajando con datos de imágenes, cada imagen sería un punto de datos. Estos puntos se utilizan
para entrenar y evaluar modelos de aprendizaje automático, como algoritmos de clasificación o
regresión.
2
Agrupaciones o conjuntos de datos similares. Estos grupos se forman mediante algoritmos de
agrupamiento que identifican patrones y similitudes entre los datos. Los clústeres pueden ayudar a
comprender la estructura de los datos y a segmentarlos para tareas específicas, como clasificación
o análisis. Esencialmente, los clústeres agrupan elementos similares para facilitar su
procesamiento y comprensión.
etiqueta la información recopilada, una señal de comentarios inmediata evalúa la eficacia
del algoritmo.
Este proceso iterativo permite al algoritmo refinar el proceso de etiquetado a lo largo del
tiempo. El algoritmo procesa los datos de entrada para crear salidas, seguidas de una señal
de comentarios inmediata que mide la eficacia de la salida. En función de esta señal, el
algoritmo se ajusta para lograr la mayor recompensa.
Referencias:
Esta información se extrajo de las siguientes fuentes:
Microsoft Education. [Vídeo]. YouTube.
https://www.youtube.com/watch?v=IQwhnbFpGkU&t=3s. Publicado el 13 de junio de
2023.
Hoja de características de los algoritmos de Machine Learning para el diseñador de Azure
Machine Learning. Microsoft. https://learn.microsoft.com/azure/machine-
learning/algorithm-cheat-sheet. Publicado el 29 de mayo de 2023.
Ha creado una organización con tecnología de inteligencia artificial. Microsoft.
https://www.microsoft.com/ai/industry/ai-in-business. Fecha de publicación no
disponible.
Inteligencia artificial en el sector sanitario. Microsoft.
https://www.microsoft.com/ai/industry/ai-in-healthcare?activetab=pivot1:primaryr6.
Fecha de publicación no disponible.
Inteligencia artificial (IA) frente al aprendizaje automático (ML). Azure.
https://azure.microsoft.com/resources/cloud-computing-dictionary/artificial-intelligence-
vs-machine-learning/#capabilities. Fecha de publicación no disponible.
¿Qué es el aprendizaje profundo? Azure. https://azure.microsoft.com/resources/cloud-
computing-dictionary/what-is-deep-learning/. Fecha de publicación no disponible.
Inteligencia artificial: Un vistazo más detallado a las redes neutrales.
https://learn.microsoft.com/archive/msdn-magazine/2019/february/artificially-intelligent-
a-closer-look-at-neural-networks. Publicado el 8 de febrero de 2019.
Guía de la inteligencia artificial. https://learn.microsoft.com/es-mx/training/modules/a-
guide-to-artificial-intelligence/ Fecha de publicación no disponible.
