糖心vlog官网观看

Read in English. (Leer en ingl茅s.)

El aprendizaje autom谩tico es una tecnolog铆a especializada que se engloba dentro de la inteligencia artificial (IA). Este apasionante campo es el motor de muchas tecnolog铆as modernas, como el reconocimiento de im谩genes, los coches autoconducidos y productos como Alexa de Amazon.

Seg煤n Fortune Business Insights, se prev茅 que el mercado mundial del aprendizaje autom谩tico (machine learning, ML) supere aproximadamente $3,573,466,400,000 (MXN), o 188,000 millones de d贸lares estadounidenses, en 2029, frente a los $399,163,800,000 (MXN), o 21,000 millones de dolares estadounidenses, de 2022 []. Este r谩pido crecimiento significa que hay muchas oportunidades para sumergirse en una carrera en el aprendizaje autom谩tico.

Cuando decidas iniciar tu carrera en el aprendizaje autom谩tico, hay tres tipos principales de aprendizaje autom谩tico que debes conocer. Contin煤a leyendo para obtener m谩s informaci贸n.

驴Qu茅 es machine learning?

Esta rama de la IA se centra en el uso de datos y algoritmos para imitar el aprendizaje humano, lo que permite a las m谩quinas mejorar con el tiempo y ser cada vez m谩s precisas a la hora de realizar predicciones o clasificaciones, o descubrir informaci贸n basada en datos. Funciona de tres formas b谩sicas, empezando por el uso de una combinaci贸n de datos y algoritmos para predecir patrones y clasificar conjuntos de datos, una funci贸n de error que ayuda a evaluar la precisi贸n y luego un proceso de optimizaci贸n para ajustar mejor los puntos de datos al modelo.

驴Sab铆as que鈥�?

Arthur Samuel cre贸 el t茅rmino 鈥渕achine learning鈥� en referencia a su investigaci贸n a principios de la d茅cada de 1960. Esa investigaci贸n se basaba en la partida de damas que Robert Nealy jug贸 contra un ordenador IBM 7094 y perdi贸. Aunque este hecho es menor comparado con lo que las m谩quinas pueden hacer hoy en d铆a, fue un hito pionero en su momento.

Aplicaciones de machine learning

El aprendizaje autom谩tico ya se utiliza a nuestro alrededor y puede que no te des cuenta de c贸mo influye en tu vida. Estas son algunas de las formas en que se utiliza que deber铆as conocer:

• Funciones de medios sociales: Las plataformas de medios sociales integran algoritmos de aprendizaje autom谩tico para ayudar a ofrecerte experiencias personalizadas. Facebook toma nota de tus actividades, incluidos tus comentarios, 鈥渕e gusta鈥� o likes y el tiempo que pasas en distintos tipos de contenido. El algoritmo aprende de tus actividades y hace sugerencias de p谩ginas y amigos adaptadas a ti.

• Asistentes virtuales: Siri de Apple, Alexa de Amazon y Google Assistant son opciones populares si buscas un asistente personal virtual. Estos dispositivos activados por voz pueden hacer de todo, desde buscar vuelos hasta consultar tu agenda, programar alarmas y mucho m谩s. El aprendizaje autom谩tico es un componente clave de estos dispositivos y altavoces inteligentes. Recopilan informaci贸n y la perfeccionan cada vez que interact煤as con ellos. La m谩quina puede utilizar esos datos para ofrecerte los resultados que mejor se adapten a tus preferencias.

• Recomendaciones de productos: Populares entre los sitios web de e-commerce (o comercio electr贸nico), las recomendaciones de productos son una aplicaci贸n com煤n del aprendizaje autom谩tico. Permite a estos sitios rastrear tu comportamiento bas谩ndose en tus b煤squedas, compras anteriores y el historial de tu carrito de compra para hacerte sugerencias y recomendaciones sobre los productos que pueden interesarte.

• Reconocimiento de im谩genes: Esta compleja tecnolog铆a est谩 apareciendo en diversos campos. En tu vida cotidiana, probablemente te hayas topado con ella al subir una foto a tu plataforma de redes sociales. Cuando etiquetas a alguien en una imagen, la plataforma lo reconoce. Tambi茅n puede ser transformador para identificar posibles amenazas o delincuentes, desbloquear tel茅fonos y dispositivos m贸viles y encontrar personas desaparecidas.

3 tipos de machine learning

El machine learning consiste en mostrar un gran volumen de datos a una m谩quina para que pueda aprender y hacer predicciones, encontrar patrones o clasificar datos. Los tres tipos de aprendizaje autom谩tico son el supervisado, el no supervisado y el aprendizaje por refuerzo.

Aprendizaje supervisado

Gartner, una consultora de negocios, predice que el aprendizaje supervisado (supervised learning) seguir谩 siendo el aprendizaje autom谩tico m谩s utilizado entre los l铆deres de tecnolog铆a de la informaci贸n empresarial en 2022 []. Este tipo de machine learning alimenta datos hist贸ricos de entrada y salida en algoritmos de aprendizaje autom谩tico, con procesamiento entre cada par de entrada/salida que permite al algoritmo cambiar el modelo para crear salidas lo m谩s alineadas posible con el resultado deseado. Entre los algoritmos m谩s utilizados en el aprendizaje supervisado se encuentran las redes neuronales (neural networks), los 谩rboles de decisi贸n (decision trees), la regresi贸n lineal (linear regression) y las m谩quinas de vectores de soporte (support vector machines o SVM).

Este tipo de machine learning debe su nombre a que la m谩quina est谩 鈥渟upervisada鈥� mientras aprende, lo que significa que t煤 alimentas al algoritmo con informaci贸n para ayudarle a aprender. El resultado que le proporcionas a la m谩quina son datos etiquetados, y el resto de la informaci贸n que le das se utiliza como caracter铆sticas de entrada.

Por ejemplo, si intent谩ramos aprender sobre las relaciones entre los impagos de pr茅stamos y la informaci贸n del prestatario, podr铆amos proporcionar a la m谩quina 500 casos de clientes que incumplieron sus pr茅stamos y otros 500 que no lo hicieron. Los datos etiquetados 鈥渟upervisan鈥� a la m谩quina para que descubra la informaci贸n que busca.

El aprendizaje supervisado es eficaz para diversos fines empresariales, como la previsi贸n de ventas, la optimizaci贸n de inventarios y la detecci贸n de fraudes. Algunos ejemplos de casos de uso son:

• Predicci贸n de precios inmobiliarios

• Clasificar si las transacciones bancarias son fraudulentas o no

• Encontrar factores de riesgo de enfermedad

• Determinar si los solicitantes de pr茅stamos son de bajo o alto riesgo

• Predecir el fallo de piezas mec谩nicas de equipos industriales

Aprendizaje no supervisado

Mientras que el aprendizaje supervisado requiere que los usuarios ayuden a la m谩quina a aprender, el aprendizaje no supervisado (unsupervised learning) no utiliza los mismos conjuntos de entrenamiento y datos etiquetados. En su lugar, la m谩quina busca patrones menos obvios en los datos. Este tipo de aprendizaje autom谩tico es muy 煤til cuando se necesita identificar patrones y utilizar los datos para tomar decisiones. Entre los algoritmos m谩s utilizados en el aprendizaje no supervisado se encuentran los modelos de Markov ocultos (Hidden Markov models), k-means, la agrupaci贸n jer谩rquica (hierarchical clustering) y los modelos de mezcla gaussiana (Gaussian mixture models).

Utilizando el ejemplo del aprendizaje supervisado, supongamos que no se sabe qu茅 clientes no han pagado sus pr茅stamos. En lugar de eso, le dar铆amos a la m谩quina informaci贸n sobre los prestatarios y ella buscar铆a patrones entre ellos antes de agruparlos en varios conglomerados.

Este tipo de aprendizaje autom谩tico se utiliza mucho para crear modelos predictivos. Entre las aplicaciones m谩s comunes tambi茅n se incluyen el clustering, que crea un modelo que agrupa objetos en funci贸n de propiedades espec铆ficas, y la asociaci贸n, que identifica las reglas existentes entre los clusters. Algunos ejemplos de casos de uso incluyen:

• Creaci贸n de grupos de clientes en funci贸n del comportamiento de compra

• Agrupaci贸n de inventarios en funci贸n de m茅tricas de ventas y/o fabricaci贸n

• Identificaci贸n de asociaciones en los datos de los clientes (por ejemplo, los clientes que compran un estilo espec铆fico de bolso pueden estar interesados en un estilo espec铆fico de zapato).

Aprendizaje por refuerzo

El aprendizaje por refuerzo (reinforcement learning) es el tipo de machine learning m谩s parecido al aprendizaje humano. El algoritmo o agente utilizado aprende interactuando con su entorno y obteniendo una recompensa positiva o negativa. Los algoritmos m谩s comunes son la diferencia temporal (temporal difference), las redes adversariales profundas (deep adversarial networks) y el aprendizaje Q (Q-learning).

Volviendo al ejemplo del cliente del pr茅stamo bancario, se podr铆a utilizar un algoritmo de aprendizaje por refuerzo para examinar la informaci贸n del cliente. Si el algoritmo los clasifica como de alto riesgo y no pagan, el algoritmo obtiene una recompensa positiva. Si no incumplen, el algoritmo obtiene una recompensa negativa. Al final, ambos casos ayudan a la m谩quina a aprender al comprender mejor tanto el problema como el entorno.

Gartner se帽ala que la mayor铆a de las plataformas de ML no tienen capacidades de aprendizaje por refuerzo porque requiere una potencia de c谩lculo superior a la que tienen la mayor铆a de las organizaciones []. El aprendizaje por refuerzo es aplicable en 谩reas que pueden simularse completamente y que son estacionarias o tienen grandes vol煤menes de datos relevantes. Dado que este tipo de aprendizaje autom谩tico requiere menos gesti贸n que el aprendizaje supervisado, se considera m谩s f谩cil trabajar con conjuntos de datos no etiquetados. Las aplicaciones pr谩cticas de este tipo de aprendizaje autom谩tico siguen apareciendo. Algunos ejemplos de usos son:

• Ense帽ar a los carros a estacionarse solos y conducir de forma aut贸noma

• Control din谩mico de los sem谩foros para reducir los atascos

• Entrenar robots para que aprendan pol铆ticas a partir de im谩genes de v铆deo sin procesar que puedan utilizar para reproducir las acciones que ven.

Carreras profesionales en machine learning

* Todos los datos salariales se presentan en pesos mexicanos (MXN) para sueldos medio mensuales en M茅xico, y proceden de Glassdoor a fecha de enero de 2023 a menos que se indique lo contrario.

El informe 鈥淔uture of Jobs Report 2020鈥� del Foro Econ贸mico Mundial predice que el aprendizaje autom谩tico y toda la inteligencia artificial generar谩n 97 millones de nuevos puestos de trabajo en todo el mundo para 2025 []. En 2022, Indeed reporta las profesiones como especialista en inteligencia artificial y el aprendizaje autom谩tico como las que m谩s demanda tendr谩n entre 2020-2025 []. El aprendizaje autom谩tico se presta a varias carreras profesionales posibles, entre ellas:

C贸mo empezar en el aprendizaje autom谩tico

La mayor铆a de las empresas buscan una combinaci贸n de formaci贸n y experiencia. Aqu铆 hay tres formas comunes para ponerte en el camino hacia el trabajo que deseas:

1. Obt茅n una licenciatura.

Comienza tu carrera con una licenciatura en ciencia de datos, programaci贸n inform谩tica, inform谩tica o un campo relacionado. El aprendizaje autom谩tico es un campo avanzado y los empleadores tienden a contratar candidatos con una licenciatura. Pero un poco de experiencia laboral y un toque de agallas, aquellos con grados asociados o diplomas de escuela secundaria tambi茅n pueden comenzar en el aprendizaje autom谩tico.

2. Adquiere experiencia laboral.

Intenta conseguir unas pr谩cticas o un puesto de nivel inicial en funciones relacionadas con el aprendizaje autom谩tico en desarrollo de software, ingenier铆a de software, ingenier铆a de datos o ciencia de datos.

3. Avanza en tu carrera.

Considera la posibilidad de obtener una maestr铆a o de actualizar tus conocimientos con un certificado profesional. Muchos empleadores prefieren contratar a profesionales del aprendizaje autom谩tico con t铆tulos avanzados en ingenier铆a de software, inform谩tica, aprendizaje autom谩tico o IA.

Pr贸ximos pasos

Aprende los fundamentos del aprendizaje autom谩tico con el popular curso de Machine Learning de Stanford, o desarrolla las habilidades necesarias para construir y entrenar redes neuronales profundas con la Especializaci贸n en Aprendizaje Profundo de DeepLearning.AI. Si te tomas en serio una carrera en aprendizaje autom谩tico, explora c贸mo un t铆tulo en ciencia de datos o el Certificado profesional de An谩lisis de datos de Google podr铆a desbloquear nuevas oportunidades para ti.