Generative-AI-professional-Certification
Capitulo 9 - Descubre los fundamentos del Machine Learning
El notable progreso en inteligencia artificial se debe, en particular, a avances en una de sus subdisciplinas: el Machine Learning.
9.1 - ¿Qué es un modelos?
El Machine Learning te permite crear sistemas de información que pueden aprender de forma independiente, utilizando los datos que les proporcionas. Además, pueden mejorar su rendimiento con el tiempo a medida que adquieren nuevos datos.
¿Qué Es un Modelo de ML?
Un modelo de machine learning es una expresión de un algoritmo que analiza montañas de datos para encontrar patrones o realizar predicciones. Impulsados por los datos, los modelos de ML son los motores matemáticos de la IA.
Por ejemplo, un modelo de ML para la visión de computación podría ser capaz de identificar automóviles y peatones en un video en tiempo real. Un modelo para el procesamiento de idiomas naturales podría traducir palabras y oraciones.
En el trasfondo, un modelo de machine learning es una representación matemática de los objetos y sus relaciones entre sí. Los objetos pueden ser cualquier cosa, desde un «me gusta» en una publicación de redes sociales hasta moléculas en un experimento de laboratorio.
Existen varios tipos de modelos, incluyendo regresión lineal, árboles de decisión y redes neuronales de deep learning, cada uno diseñado para abordar diferentes tipos de problemas. El deep learning, en particular, ha demostrado ser excepcionalmente preciso en la búsqueda de patrones complejos.
Los modelos de ML pueden resolver problemas que serían demasiado complejos para los métodos tradicionales basados en reglas explícitas. Por ejemplo, en el campo de los bienes raíces, un modelo de ML podría calcular precios de propiedades para una ciudad o país entero, superando las limitaciones geográficas de los agentes individuales. A diferencia de los modelos basados en la experiencia humana, que pueden ser limitados y difíciles de escalar, los programas de ML pueden recopilar y analizar vastas cantidades de datos, aprendiendo y creando modelos por sí mismos. Esto permite abordar problemas complejos de manera más eficiente y precisa, aprovechando toda la información disponible para generar soluciones más robustas y adaptables.
9.2 - Las diferentes formas en que un algoritmo puede aprender.
Un algoritmo es una secuencia de instrucciones para resolver un problema. En el contexto del Machine Learning, el algoritmo transforma datos en un modelo a través del aprendizaje o entrenamiento. Existen tres métodos principales de aprendizaje:
Aprendizaje Supervisado:El algoritmo aprende a partir de ejemplos etiquetados (por ejemplo, características y precios de casas vendidas) para hacer predicciones sobre nuevos datos.Aprendizaje No Supervisado:El algoritmo agrupa datos sin etiquetas previas, descubriendo patrones ocultos sin supervisión (por ejemplo, agrupando casas en categorías basadas en características).Aprendizaje por Refuerzo:El algoritmo interactúa con un entorno y aprende a través de ensayo y error para encontrar soluciones óptimas (por ejemplo, un agente que aprende a jugar un juego).