¿Qué es un algoritmo de machine learning?

Los analistas del sector coinciden en la importancia del machine learning y sus algoritmos subyacentes. Según Forrester, «los avances en los algoritmos de machine learning aportan precisión y profundidad al análisis de los datos de marketing, lo que ayuda a los profesionales del marketing a comprender cómo los detalles de marketing (como la plataforma, la creatividad, la llamada a la acción o los mensajes) afectan al rendimiento del marketing.^1»Por su parte, Gartner afirma que «el machine learning es la base de muchas aplicaciones de IA exitosas, lo que impulsa su enorme tracción en el mercado.²»

Lo más frecuente es que el entrenamiento de los algoritmos de ML con más datos proporcione respuestas más precisas que el entrenamiento con menos datos. Mediante el uso de métodos estadísticos, los algoritmos se entrenan para determinar clasificaciones o hacer predicciones, y para descubrir conocimientos clave en los proyectos de minería de datos. Estos conocimientos pueden mejorar posteriormente su toma de decisiones para impulsar las métricas clave de crecimiento.

Los casos de uso para los algoritmos de machine learning incluyen la capacidad de analizar datos para identificar tendencias y predecir los problemas antes de que se produzcan³. Una IA más avanzada puede permitir una asistencia más personalizada, reducir los tiempos de respuesta, ofrecer reconocimiento de voz y mejorar la satisfacción del cliente. Los sectores que se benefician especialmente de los algoritmos de machine learning para crear nuevo contenido a partir de grandes cantidades de datos incluyen la gestión de la cadena de suministro, el transporte y la logística, la venta minorista y la fabricación⁴, y todos ellos adoptan la IA, con su capacidad de automatizar tareas, mejorar la eficiencia y proporcionar valiosos conocimientos, incluso a los principiantes.

El deep learning es una aplicación específica de las funciones avanzadas proporcionadas por los algoritmos de machine learning. La distinción está en cómo aprende cada algoritmo. Los modelos de machine learning "profundo" pueden utilizar sus conjuntos de datos etiquetados, también conocidos como aprendizaje supervisado, para informar a su algoritmo, pero no requieren necesariamente datos etiquetados. El deep learning puede consumir datos no estructurados en su forma bruta (como texto o imágenes), y determinar automáticamente el conjunto de características que distinguen unas categorías de datos de otras. Esto elimina parte de la intervención humana requerida y permite el uso de conjuntos de datos más grandes.

La forma más fácil de pensar en la inteligencia artificial, el machine learning, el deep learning y las redes neuronales es considerarlos como una serie de sistemas de IA de mayor a menor, donde cada uno engloba al siguiente. La inteligencia artificial (IA) es el sistema global. El machine learning es un subconjunto de la IA. El deep learning es un subconjunto del machine learning, y las redes neuronales constituyen la columna vertebral de los algoritmos de deep learning. El número de capas de nodos, o profundidad, de las redes neuronales es lo que distingue una red neuronal simple de un algoritmo de deep learning, que debe tener más de tres.

Un documento de UC Berkeley divide el sistema de aprendizaje de un algoritmo de machine learning en tres partes principales.⁵

1. Un proceso de decisión: en general, los algoritmos de machine learning se utilizan para realizar una predicción o clasificación. Basándose en algunos datos de entrada, que se pueden etiquetar o no, el algoritmo producirá una estimación sobre un patrón en los datos.
   
   
2. Una función de error: una función de error que evalúa la predicción del modelo. Si hay ejemplos conocidos, una función de error puede hacer una comparación para evaluar la precisión del modelo.
   

3.   Un proceso de optimización del modelo: si el modelo puede ajustarse mejor a los puntos de datos del conjunto de entrenamiento, entonces se ajustan las ponderaciones para reducir la discrepancia entre el ejemplo conocido y la estimación del modelo. El algoritmo repetirá este proceso de "evaluar y optimizar", actualizando las ponderaciones de forma autónoma hasta alcanzar un umbral de precisión.

El aprendizaje supervisado, en particular, utiliza un conjunto de entrenamiento para enseñar a los modelos a generar el resultado deseado. Este conjunto de datos de entrenamiento incluye entradas y salidas correctas, lo que permite que el modelo aprenda con el tiempo. El algoritmo mide su precisión a través de la función de pérdida, ajustando hasta que el error se haya minimizado lo suficiente.

Existen cuatro tipos de algoritmos de machine learning: supervisados, no supervisados, semisupervisados y reforzados. Dependiendo de su presupuesto, la necesidad de velocidad y la precisión requerida, cada tipo y variante tiene sus propias ventajas. Los algoritmos avanzados de machine learning requieren múltiples tecnologías (incluido el deep learning, las redes neuronales y el procesamiento del lenguaje natural) y son capaces de utilizar tanto el aprendizaje no supervisado como el supervisado⁶. A continuación se enumeran los algoritmos más populares y utilizados.

El aprendizaje supervisado se puede dividir en dos tipos de problemas en la minería de datos: clasificación y regresión.

• La clasificación utiliza un algoritmo para asignar con precisión los datos de prueba en categorías específicas. Reconoce entidades específicas dentro del conjunto de datos e intenta sacar algunas conclusiones sobre cómo deben etiquetarse o definirse esas entidades. Los algoritmos de clasificación habituales son los clasificadores lineales, las máquinas de vectores de apoyo (SVM), los árboles de decisión, el «k-vecinos más cercanos» y el bosque aleatorio, que se describen con más detalle a continuación.

• La regresión se usa para entender la relación entre variables dependientes e independientes. Se utiliza habitualmente para hacer proyecciones, como los ingresos por ventas de una empresa determinada. La regresión lineal, la regresión logística y la regresión polinómica son algoritmos de regresión populares.

En los procesos de machine learning supervisado se utilizan diversos algoritmos y técnicas de cálculo, a menudo calculados mediante el uso de programas como Python. Los algoritmos de aprendizaje supervisado incluyen:

• AdaBoost o refuerzo de gradiente: también llamado refuerzo adaptativo⁷, esta técnica refuerza un algoritmo de regresión de bajo rendimiento combinándolo con otros más débiles para crear un algoritmo más fuerte que produzca menos errores. El refuerzo combina el poder de previsión de varios estimadores de base.

• Redes neuronales artificiales: también conocidas como ANN, redes neuronales o redes neuronales simuladas (SNN), son un subconjunto de técnicas de machine learning y están en el corazón de los algoritmos de deep learning. El algoritmo de aprendizaje reconoce patrones en los datos de entrada mediante bloques de construcción llamados neuronas, similares a las neuronas del cerebro humano, que se entrenan y modifican con el tiempo (más información en "redes neuronales").

• Algoritmos de árboles de decisión: utilizados tanto para pronosticar valores numéricos (problemas de regresión) como para clasificar datos en categorías, los árboles de decisión utilizan una secuencia ramificada de decisiones enlazadas que pueden representarse con un diagrama de árbol. Una de las ventajas de los árboles de decisión es que son fáciles de validar y auditar, a diferencia de la caja negra de una red neuronal.

• Reducción de dimensionalidad: cuando un conjunto de datos seleccionado tiene un alto número de entidades⁷ , tiene una alta dimensionalidad. A continuación, la reducción de la dimensionalidad recorta el número de características, dejando sólo las percepciones o la información más significativas. Un ejemplo es el análisis de componente principal.

• K-vecinos más cercanos: también conocido como KNN, este algoritmo no paramétrico clasifica los puntos de datos según su proximidad y asociación a otros datos disponibles. Se supone que se pueden encontrar puntos de datos similares entre sí. Como resultado, busca calcular la distancia entre puntos de datos, generalmente a través de la distancia euclidiana, y luego asigna una categoría basada en la categoría más frecuente o en el promedio.

• Regresión lineal: la regresión lineal se utiliza para identificar la relación entre una variable dependiente y una o más variables independientes y, por lo general, se aprovecha para hacer predicciones sobre resultados futuros. Cuando solo hay una variable independiente y una variable dependiente, se conoce como regresión lineal simple.

• Regresión logística: mientras que la regresión lineal se aprovecha cuando las variables dependientes son continuas, la regresión logística se selecciona cuando la variable dependiente es categórica, lo que significa que hay resultados binarios, como "verdadero" y "falso" o "sí" y "no". Aunque ambos modelos de regresión buscan comprender las relaciones entre las entradas de datos, la regresión logística se utiliza principalmente para resolver problemas de clasificación binaria, como la identificación de spam.

• Redes neuronales: principalmente aprovechadas para algoritmos de deep learning, las redes neuronales procesan los datos de entrenamiento de entrada al imitar la interconectividad del cerebro humano a través de capas de nodos. Cada nodo se compone de entradas, ponderaciones, un sesgo (umbral) y una resultado. Si ese valor de salida supera un umbral determinado, se "dispara" o activa el nodo, pasando los datos a la siguiente capa de la red. Las redes neuronales aprenden a partir de ajustes basados en la función de pérdida mediante el proceso de descenso gradiente. Cuando la función de costes es igual o cercana a cero, puede confiar en la precisión del modelo.

• Naïve Bayes: este enfoque adopta el principio de independencia condicional de clase del teorema de Bayes. Esto significa que la presencia de una característica no influye en la presencia de otra en la probabilidad de un resultado dado, y que cada predictor tiene un efecto igual en ese resultado. Existen tres tipos de clasificadores Naïve Bayes: Naïve Bayes multinomial, Naïve Bayes Bernoulli y Naïve Bayes gaussiano. Esta técnica se utiliza principalmente en sistemas de clasificación de textos, identificación de spam y recomendación.

• Bosques aleatorios: en un bosque aleatorio, el algoritmo de machine learning predice un valor o categoría mediante la combinación de resultados de una serie de árboles de decisión. El "bosque" se refiere a árboles de decisión no correlacionados, que se montan para reducir la varianza y permitir predicciones más precisas.

• Máquinas de vectores de soporte (SVM): este algoritmo se puede utilizar tanto para la clasificación de datos como para la regresión, pero normalmente se usa para problemas de clasificación, construyendo un hiperplano donde la distancia entre dos clases de puntos de datos es máxima. Este hiperplano se conoce como la frontera de decisión, que separa las clases de puntos de datos (como naranjas vs. manzanas) a ambos lados del plano.

A diferencia del supervisado, el aprendizaje no supervisado utiliza datos no etiquetados. A partir de esos datos, el algoritmo descubre patrones que ayudan a resolver problemas de agrupación o asociación. Esto es particularmente útil cuando los expertos en la materia no están seguros de las propiedades comunes dentro de un conjunto de datos. Los algoritmos de agrupación más comunes son los jerárquicos, K-medias, los modelos de mezcla gaussiana y los métodos de reducción de la dimensionalidad como PCA y t-SNE.

• Agrupación: estos algoritmos pueden identificar patrones en datos para poder agruparlos. Los algoritmos pueden ayudar a los científicos de datos al identificar diferencias entre los datos que los humanos han pasado por alto.

• Agrupación jerárquica: agrupa los datos en un árbol de clústeres⁸. La agrupación jerárquica comienza tratando cada punto de datos como un clúster independiente. A continuación, ejecuta repetidamente estos pasos: 1) identificar los dos clústeres que pueden estar más próximos entre sí, y 2) fusionar los dos clústeres comparables máximos. Estos pasos continúan hasta que se fusionan todos los clústeres.

• Agrupación de k-medias: identifica grupos dentro de datos sin etiquetas⁹ en clústeres diferentes al localizar grupos de datos que sean similares entre sí. El nombre "K-medias" proviene de los centroides que utiliza para definir los clústeres. Un punto se asigna a un clúster en particular si está más cerca del centroide de ese clúster que cualquier otro centroide.

Algoritmos de aprendizaje semisupervisados

En este caso, el aprendizaje se produce cuando solo se ha etiquetado una parte de los datos de entrada dados, lo que le da al algoritmo una cierta «ventaja». Este enfoque puede combinar lo mejor de ambos mundos¹⁰: la mejora de la precisión asociada con el machine learning supervisado y la capacidad de utilizar datos rentables sin etiquetar, como en el caso del machine learning no supervisado.

Algoritmos de refuerzo

En este caso, los algoritmos se entrenan tal como aprenden los humanos, a través de recompensas y penalizaciones, que son medidas y rastreadas por un agente de aprendizaje por refuerzo¹¹ que tiene una comprensión general de la probabilidad de subir o bajar la puntuación con éxito. A través de la prueba y el error, el agente aprende a tomar medidas que conducen a los resultados más favorables con el tiempo. El aprendizaje de refuerzo suele utilizarse¹²  en la gestión de recursos, robótica y videojuegos.