Aprendizaje automático

Lección en video:

Resumen

Aprendizaje automático.

El aprendizaje automático (machine learning) es una rama de la inteligencia artificial que permite mejorar la precisión en la predicción de resultados sin necesidad de programación explícita. Los algoritmos de aprendizaje automático procesan datos históricos para generar modelos capaces de estimar valores futuros sin que se especifique directamente cómo hacerlo.

Tipos principales de algoritmos de aprendizaje automático

1. Aprendizaje supervisado (supervised learning)
   En este enfoque, los algoritmos se entrenan con datos etiquetados, lo que permite aprender la correspondencia entre entradas y salidas. Por ejemplo, para entrenar un modelo que identifique imágenes de gatos, se utilizan muchas imágenes con su etiqueta correspondiente “gato”.
2. Aprendizaje no supervisado (unsupervised learning)
   Aquí los datos no tienen etiquetas, y el algoritmo identifica patrones o estructuras subyacentes por sí mismo, como agrupaciones (clustering) o reducciones de dimensión.
3. Aprendizaje por refuerzo (reinforcement learning)
   Un agente toma decisiones en un entorno dinámico, aprendiendo mediante prueba y error para maximizar una señal de recompensa. No requiere pares entrada-salida etiquetados, sino una estrategia basada en exploración y explotación de acciones.

Lecturas adicionales:

Chapter V Machine Learning from «Artificial Intelligence: A Modern Approach, 4th Global ed». Including:
19 Learning from Examples
20 Knowledge in Learning
21 Learning Probabilistic Models
22 Deep Learning
23 Reinforcement Learning