No has accedido Discusión Contribuciones Crear una cuenta Acceder

Artículo Discusión Leer Editar Ver historial Buscar en Wikipedia

Aprendizaje automático
Portada El aprendizaje automático o aprendizaje automatizado o aprendizaje de
Portal de la comunidad máquinas (del inglés, machine learning) es el subcampo de las ciencias de
Actualidad
la computación y una rama de la inteligencia artificial, cuyo objetivo es
Cambios recientes
desarrollar técnicas que permitan que las computadoras aprendan. De forma
Páginas nuevas
Página aleatoria
más concreta, se trata de crear programas capaces de generalizar
Ayuda comportamientos a partir de una información suministrada en forma de
Donaciones ejemplos.
Notificar un error
Es, por lo tanto, un proceso de inducción del conocimiento. En muchas
Imprimir/exportar ocasiones el campo de actuación del aprendizaje automático se solapa con
Crear un libro el de la estadística computacional, ya que las dos disciplinas se basan en el
Descargar como PDF análisis de datos. Sin embargo, el aprendizaje automático también se centra
Versión para imprimir en el estudio de la complejidad computacional de los problemas. Muchos
problemas son de clase NP-hard, por lo que gran parte de la investigación
En otros proyectos
realizada en aprendizaje automático está enfocada al diseño de soluciones
Wikimedia Commons
factibles a esos problemas. El aprendizaje automático puede ser visto como
Herramientas un intento de automatizar algunas partes del método científico mediante
Lo que enlaza aquí métodos matemáticos.
Cambios en enlazadas
El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo
Subir archivo
Páginas especiales motores de búsqueda, diagnósticos médicos, detección de fraude en el uso
Enlace permanente de tarjetas de crédito, análisis del mercado de valores, clasificación de
Información de la secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y
página
robótica.
Elemento de Wikidata
Citar esta página
Índice [ocultar]

En otros idiomas 1 Resumen

‫اﻟﻌﺮﺑﻴﺔ‬
1.1 Modelos
English 2 Tipos de algoritmos
Français 3 Técnicas de clasificación
िह ी 3.1 Árboles de decisiones
Bahasa Indonesia 3.2 Reglas de asociación Aprendizaje automático
Bahasa Melayu
3.3 Algoritmos genéticos
Português
3.4 Redes neuronales artificiales
Русский
中文 3.5 Máquinas de vectores de soporte
51 más 3.6 Algoritmos de agrupamiento
Editar enlaces 3.7 Redes bayesianas
4 Conocimiento
5 Distinción entre Aprendizaje supervisado y
no supervisado
6 Aplicaciones
7 Temas del aprendizaje automático
8 Historia y relación con otros temas
9 Software
9.1 Software de código abierto
9.2 Software comercial
10 Publicaciones y conferencias
11 Véase también
12 Referencias
13 Bibliografía
14 Enlaces externos

Resumen [ editar ]

Algunos sistemas de aprendizaje automático intentan eliminar toda

necesidad de intuición o conocimiento experto de los procesos de análisis de
datos, mientras otros tratan de establecer un marco de colaboración entre el
experto y la computadora. De todas formas, la intuición humana no puede
ser reemplazada en su totalidad, ya que el diseñador del sistema ha de
especificar la forma de representación de los datos y los métodos de
manipulación y caracterización de los mismos. Sin embargo, las
computadoras son utilizadas por todo el mundo con fines tecnológicos muy
buenos.

Modelos [ editar ]
El aprendizaje automático tiene como resultado un modelo para resolver una
tarea dada. Entre los modelos se distinguen1

Los modelos geométricos, construidos en el espacio de instancias y

que pueden tener una, dos o múltiples dimensiones. Si hay un borde de
decisión lineal entre las clases, se dice que los datos son linealmente
separables. Un límite de decisión lineal se define como w * x = t, donde w
es un vector perpendicular al límite de decisión, x es un punto arbitrario
en el límite de decisión y t es el umbral de la decisión.
Los modelos probabilísticos, que intentan determinar la distribución de
probabilidades descriptora de la función que enlaza a los valores de las
características con valores determinados. Uno de los conceptos claves
para desarrollar modelos probabilísticos es la estadística bayesiana.
Los modelos lógicos, que transforman y expresan las probabilidades en
reglas organizadas en forma de árboles de decisión.

Los modelos pueden también clasificarse como modelos de agrupamiento

y modelos de gradiente. Los primeros tratan de dividir el espacio de
instancias en grupos. Los segundos, como su nombre lo indican, representan
un gradiente en el que se puede diferenciar entre cada instancia.
Clasificadores geométricos como las máquinas de vectores de apoyo son
modelos de gradientes.

Tipos de algoritmos [ editar ]

Los diferentes algoritmos de Aprendizaje

Automático se agrupan en una taxonomía
en función de la salida de los mismos.
Algunos tipos de algoritmos son:

Aprendizaje supervisado

Artículo principal: Aprendizaje supervisado

Una máquina de vectores de
El algoritmo produce una función que soporte
establece una correspondencia entre las
entradas y las salidas deseadas del
sistema. Un ejemplo de este tipo de algoritmo es el problema de
clasificación, donde el sistema de aprendizaje trata de etiquetar
(clasificar) una serie de vectores utilizando una entre varias categorías
(clases). La base de conocimiento del sistema está formada por ejemplos
de etiquetados anteriores. Este tipo de aprendizaje puede llegar a ser
muy útil en problemas de investigación biológica, biología computacional
y bioinformática.

Aprendizaje no supervisado

Artículo principal: Aprendizaje no supervisado

Todo el proceso de modelado se lleva a cabo sobre un conjunto de

ejemplos formado tan sólo por entradas al sistema. No se tiene
información sobre las categorías de esos ejemplos. Por lo tanto, en este
caso, el sistema tiene que ser capaz de reconocer patrones para poder
etiquetar las nuevas entradas.

Aprendizaje semisupervisado
Este tipo de algoritmos combinan los dos algoritmos anteriores para
poder clasificar de manera adecuada. Se tiene en cuenta los datos
marcados y los no marcados.

Aprendizaje por refuerzo

Artículo principal: Aprendizaje por refuerzo

El algoritmo aprende observando el mundo que le rodea. Su información

de entrada es el feedback o retroalimentación que obtiene del mundo
exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende
a base de ensayo-error.
El aprendizaje por refuerzo es el más general entre las tres categorías.
En vez de que un instructor indique al agente qué hacer, el agente
inteligente debe aprender cómo se comporta el entorno mediante
recompensas (refuerzos) o castigos, derivados del éxito o del fracaso
respectivamente. El objetivo principal es aprender la función de valor que
le ayude al agente inteligente a maximizar la señal de recompensa y así
optimizar sus políticas de modo a comprender el comportamiento del
entorno y a tomar buenas decisiones para el logro de sus objetivos
formales.
Los principales algoritmos de aprendizaje por refuerzo se desarrollan
dentro de los métodos de resolución de problemas de decisión finitos de
Markov, que incorporan las ecuaciones de Bellman y las funciones de
valor. Los tres métodos principales son: la Programación Dinámica, los
métodos de Monte Carlo y el aprendizaje de Diferencias Temporales.2
Entre las implementaciones desarrolladas está AlphaGo, un programa de
IA desarrollado por Google DeepMind para jugar el juego de mesa Go.
En marzo de 2016 AlphaGo le ganó una partida al jugador profesional
Lee Se-Dol que tiene la categoría noveno dan y 18 títulos mundiales.
Entre los algoritmos que utiliza se encuentra el árbol de búsqueda Monte
Carlo, también utiliza aprendizaje profundo con redes neuronales. Puede
ver lo ocurrido en el documental de Netflix “AlphaGo”.

Transducción
Similar al aprendizaje supervisado, pero no construye de forma explícita
una función. Trata de predecir las categorías de los futuros ejemplos
basándose en los ejemplos de entrada, sus respectivas categorías y los
ejemplos nuevos al sistema.

Aprendizaje multi-tarea
Métodos de aprendizaje que usan conocimiento previamente aprendido
por el sistema de cara a enfrentarse a problemas parecidos a los ya
vistos.

El análisis computacional y de rendimiento de los algoritmos de aprendizaje

automático es una rama de la estadística conocida como teoría
computacional del aprendizaje.

El aprendizaje automático las personas lo llevamos a cabo de manera

automática ya que es un proceso tan sencillo para nosotros que ni nos
damos cuenta de cómo se realiza y todo lo que implica. Desde que nacemos
hasta que morimos los seres humanos llevamos a cabo diferentes procesos,
entre ellos encontramos el de aprendizaje por medio del cual adquirimos
conocimientos, desarrollamos habilidades para analizar y evaluar a través de
métodos y técnicas así como también por medio de la experiencia propia. Sin
embargo, a las máquinas hay que indicarles cómo aprender, ya que si no se
logra que una máquina sea capaz de desarrollar sus habilidades, el proceso
de aprendizaje no se estará llevando a cabo, sino que solo será una
secuencia repetitiva. También debemos tener en cuenta que el tener
conocimiento o el hecho de realizar bien el proceso de aprendizaje
automático no implica que se sepa utilizar, es preciso saber aplicarlo en las
actividades cotidianas, y un buen aprendizaje también implica saber cómo y
cuándo utilizar nuestros conocimientos.

Para llevar a cabo un buen aprendizaje es necesario considerar todos los

factores que a este le rodean, como la sociedad, la economía, la ciudad, el
ambiente, el lugar, etc. Por lo tanto, es necesario empezar a tomar diversas
medidas para lograr un aprendizaje adecuado, y obtener una automatización
adecuada del aprendizaje. Así, lo primero que se debe tener en cuenta es el
concepto de conocimiento, que es el entendimiento de un determinado tema
o materia en el cual tú puedas dar tu opinión o punto de vista, así como
responder a ciertas interrogantes que puedan surgir de dicho tema o materia.

Técnicas de clasificación [ editar ]

Árboles de decisiones [ editar ]

Artículo principal: Árbol de decisión

Este tipo de aprendizaje usa un árbol de decisiones como modelo predictivo.

Se mapean observaciones sobre un objeto con conclusiones sobre el valor
final de dicho objeto.

Los árboles son estructuras básicas en la informática. Los árboles de

atributos son la base de las decisiones. Una de las dos formas principales de
árboles de decisiones es la desarrollada por Quinlan de medir la impureza de
la entropía en cada rama, algo que primero desarrolló en el algoritmo ID3 y
luego en el C4.5. Otra de las estrategias se basa en el índice GINI y fue
desarrollada por Breiman, Friedman et alia. El algoritmo de CART es una
implementación de esta estrategia.3

Reglas de asociación [ editar ]

Artículo principal: Reglas de asociación

Los algoritmo de reglas de asociación procuran descubrir relaciones

interesantes entre variables. Entre los métodos más conocidos se hallan el
algoritmo a priori, el algoritmo Eclat y el algoritmo de Patrón Frecuente.

Algoritmos genéticos [ editar ]

Artículo principal: Algoritmos genéticos

Los algoritmos genéticos son procesos de búsqueda heurística que simulan

la selección natural. Usan métodos tales como la mutación y el cruzamiento
para generar nuevas clases que puedan ofrecer una buena solución a un
problema dado.

Redes neuronales artificiales [ editar ]

Artículo principal: Red neuronal artificial

Las redes de neuronas artificiales (RNA) son un paradigma de aprendizaje

automático inspirado en las neuronas de los sistemas nerviosos de los
animales. Se trata de un sistema de enlaces de neuronas que colaboran
entre sí para producir un estímulo de salida. Las conexiones tienen pesos
numéricos que se adaptan según la experiencia. De esta manera, las redes
neurales se adaptan a un impulso y son capaces de aprender. La importancia
de las redes neurales cayó durante un tiempo con el desarrollo de los
vectores de soporte y clasificadores lineales, pero volvió a surgir a finales de
la década de 2000 con la llegada del aprendizaje profundo.

Máquinas de vectores de soporte [ editar ]

Artículo principal: Máquinas de vectores de soporte

Las MVS son una serie de métodos de aprendizaje supervisado usados para
clasificación y regresión. Los algoritmos de MVS usan un conjunto de
ejemplos de entrenamiento clasificado en dos categorías para construir un
modelo que prediga si un nuevo ejemplo pertenece a una u otra de dichas
categorías.

Algoritmos de agrupamiento [ editar ]

Artículo principal: Algoritmo de agrupamiento

El análisis por agrupamiento (clustering en inglés) es la clasificación de

observaciones en subgrupos —clusters— para que las observaciones en
cada grupo se asemejen entre sí según ciertos criterios.

Las técnicas de agrupamiento hacen inferencias diferentes sobre la

estructura de los datos; se guían usualmente por una medida de similaridad
específica y por un nivel de compactamiento interno (similaridad entre los
miembros de un grupo) y la separación entre los diferentes grupos.

El agrupamiento es un método de aprendizaje no supervisado y es una

técnica muy popular de análisis estadístico de datos.

Redes bayesianas [ editar ]

Artículo principal: Red bayesiana

Una red bayesiana, red de creencia o modelo acíclico dirigido es un modelo

probabilístico que representa una serie de variables de azar y sus
independencias condicionales a través de un grafo acíclico dirigido. Una red
bayesiana puede representar, por ejemplo, las relaciones probabilísticas
entre enfermedades y síntomas. Dados ciertos síntomas, la red puede
usarse para calcular las probabilidades de que ciertas enfermedades estén
presentes en un organismo. Hay algoritmos eficientes que infieren y
aprenden usando este tipo de representación.

Conocimiento [ editar ]

En el aprendizaje automático podemos obtener 3 tipos de conocimiento, que

son:

1. Crecimiento
Es el que se adquiere de lo que nos rodea, el cual guarda la información
en la memoria como si dejara huellas.

2. Reestructuración
Al interpretar los conocimientos el individuo razona y genera nuevo
conocimiento al cual se le llama de reestructuración.

3. Ajuste
Es el que se obtiene al generalizar varios conceptos o generando los
propios.

Los tres tipos se efectúan durante un proceso de aprendizaje automático

pero la importancia de cada tipo de conocimiento depende de las
características de lo que se está tratando de aprender.

El aprendizaje es más que una necesidad, es un factor primordial para

satisfacer las necesidades de la inteligencia artificial.

Distinción entre Aprendizaje supervisado y no

supervisado [ editar ]
El aprendizaje supervisado se caracteriza por contar con información que
especifica qué conjuntos de datos son satisfactorios para el objetivo del
aprendizaje. Un ejemplo podría ser un software que reconoce si una imagen
dada es o no la imagen de un rostro: para el aprendizaje del programa
tendríamos que proporcionarle diferentes imágenes, especificando en el
proceso si se trata o no de rostros.

En el aprendizaje no supervisado, en cambio, el programa no cuenta con

datos que definan qué información es satisfactoria o no. El objetivo principal
de estos programas suele ser encontrar patrones que permitan separar y
clasificar los datos en diferentes grupos, en función de sus atributos.
Siguiendo el ejemplo anterior un software de aprendizaje no supervisado no
sería capaz de decirnos si una imagen dada es un rostro o no pero sí podría,
por ejemplo, clasificar las imágenes entre aquellas que contienen rostros
humanos, de animales, o las que no contienen. La información obtenida por
un algoritmo de aprendizaje no supervisado debe ser posteriormente
interpretada por una persona para darle utilidad.

Aplicaciones [ editar ]
Motores de búsqueda
Diagnóstico médico
Detección de fraudes con el uso de tarjetas de crédito
Análisis del mercado de valores
Clasificación de secuencias de ADN
Reconocimiento del habla
Robótica
Minería de datos
Big Data
Previsiones de series temporales

Temas del aprendizaje automático [ editar ]

A continuación se muestran una serie de temas que podrían formar parte del
temario de un curso sobre aprendizaje automático.

Modelado de funciones de densidad de probabilidad condicionadas:

clasificación y regresión
Redes neuronales artificiales
Árboles de decisión: El aprendizaje por árboles de decisión usa un
árbol de decisión como modelo predictivo que mapea observaciones
a conclusiones sobre el valor de un objeto dado.
Modelos de regresión múltiple no postulados
Regresión en procesos Gaussianos
Análisis de discriminantes lineales
k-vecinos más próximos
Perceptrón
Funciones de base radial
Máquinas de soporte vectorial
Modelado de funciones de densidad de probabilidad mediante modelos
generativos
Algoritmo EM
Modelos gráficos, como las redes bayesianas y los campos aleatorios
de Markov
Mapeado topográfico generativo
Técnicas de inferencia aproximada
Cadenas de Markov y Método de Montecarlo
Métodos variacionales
Optimización: La mayoría de los métodos descritos arriba usan
algoritmos de optimización o son por sí mismos instancias de problemas
de optimización.

Historia y relación con otros temas [ editar ]

El aprendizaje automático nació de la búsqueda de inteligencia artificial. Ya

en los primeros días de la IA como disciplina académica, algunos
investigadores se interesaron en hacer que las máquinas aprendiesen.
Trataron de resolver el problema con diversos métodos simbólicos, así como
lo que ellos llamaron 'redes neurales' que eran en general percentrones y
otros modelos básicamente basados en modelos lineares generalizados
como se conocen en las estadísticas.

Software [ editar ]

Muchos lenguajes de programación pueden usarse para implementar

algoritmos de aprendizaje automático. Los más populares para 2015 eran R
y Python.4 R es muy usado ante todo en el campo académico, mientras que
Python es más popular en la empresa privada.

Entre los paquetes de software que incluyen algoritmos de aprendizaje

automatizado, se hallan los siguientes:

Software de código abierto [ editar ]

TensorFlow: para desarrollar en relacionadas al
plataforma C++ aprendizaje
multilenguaje y ELKI: una automático (e1071,
multiplataforma plataforma para rpart, nnet,
desarrollada por Java con licencia randomForest, entre
Google y licenciada AGPLv3 otras)
como Apache 2. Encog RapidMiner
Apache Mahout: H2O scikit-learn:
plataforma de Java KNIME biblioteca en Python
de algoritmos mlpy que interactúa con
escalables de NumPy y SciPy
MLPACK
aprendizaje Spark MLlib: una
MOA
automático, en librería que forma
OpenCV
especial en las parte de Apache
Tortilla JS
áreas de filtro Spark, una
OpenNN
colaborativo, plataforma para
R: lenguaje de
clustering y computación de
programación
clasificación grupos
estadístico con
dlib: una biblioteca Weka: una
numerosas
bajo licencia Boost biblioteca en Java
bibliotecas

Software comercial [ editar ]

SPSS Modeler Microsoft Azure RCASE
Mathematica Machine Learning STATISTICA
MATLAB Neural Designer SAS
Oracle Data Mining

Publicaciones y conferencias [ editar ]

Machine Learning
Journal of Machine Learning Research
Neural Computation
Conferencia Internacional sobre Aprendizaje Automático (International
Conference on Machine Learning)
Conferencia sobre Sistemas Neurales de Procesamiento de la
Información (Conference on Neural Information Processing Systems)

Véase también [ editar ]

Aprendizaje profundo
Inteligencia artificial
Inteligencia computacional
Internet de las cosas
Sistema dinámico
Minería de datos
Reconocimiento de patrones
Reglas de asociación
Robot autónomo
Sistema complejo
Representación del conocimiento

Referencias [ editar ]
1. ↑ Flach 2012 Págs. 20-21
2. ↑ Sutton, Richard S., Barto, Andrew G. Reinforcement Learning: An
Introduction. The MIT Press.
3. ↑ Flach 2012 Págs. 155-156
4. ↑ Four main languages for analytics and data mining science (KD Nuggets)

Bibliografía [ editar ]
Bishop, Christopher (2008) Pattern Recognition and Machine Learning.
Springer Verlag. ISBN=978-0-3873-1073-2.
Flach, Peter (2012) Machine Learning: The Art and Science of Algorithms
that Make Sense of Data. Cambridge University Press. ISBN 978-1-107-
42222-3.
Gollapudi, Sunila (2016) Practical Machine Learning. Packt Publishing.
ISBN=978-1-78439-968-4.
Ian H. Witten and Eibe Frank (2011). Data Mining: Practical machine
learning tools and techniques Morgan Kaufmann, 664 pág., ISBN 978-0-
12-374856-0.
Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7
Raschka, Sebastian (2015). Python Machine Learning, Packt Open
Source. ISBN 978-1-78355-513-0

Enlaces externos [ editar ]

El Machine Learning cambiará el mundo
Machine Learning Development with Perl (en inglés)
Estudio y aplicación de técnicas de aprendizaje automático orientadas al
ámbito médico: estimación y explicación de predicciones individuales.
Universidad Autónoma de Madrid
Aprendizaje (en español)
AlphaGo
Machine Learning explicado (podcast)

Categorías: Aprendizaje automático Inteligencia artificial

Visión por computadora

Esta página se editó por última vez el 21 mar 2019 a las 20:26.

El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0; pueden
aplicarse cláusulas adicionales. Al usar este sitio, usted acepta nuestros términos de uso y nuestra
política de privacidad.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo
de lucro.

Política de privacidad Acerca de Wikipedia Limitación de responsabilidad Desarrolladores

Declaración de cookies Versión para móviles