¿Qué es el machine learning?
El machine learning (ML), aprendizaje de máquina, o aprendizaje automático, típicamente se trabaja como se ve un proyecto en el que:
- Exploramos y estudiamos una o varias series de datos.
- Según los datos, seleccionamos el modelo estadístico.
- Entrenamos el modelo con una subserie de datos, llamada datos de entrenamiento.
- Aplicamos el modelo para hacer predicciones en nuevos casos.
En el paso 3, el algoritmo de aprendizaje busca los valores de los parámetros del modelo que minimizan una función de costo). El paso 4 implica hacer una inferencia predictiva, con la esperanza de que el modelo generalice bien.
Aprendizaje supervisado
- Mapeo de aprendizaje de variables de entrada a una variable de salida
- Utiliza un conjunto de datos etiquetado
- Pares de entrada-salida (características, etiquetas o valores objetivo)
- El aprendizaje supervisado le indica al algoritmo la respuesta correcta
- Clasificación, regresión, detección de anomalías, etc.
Ejemplos de aplicaciones:
- Reconocimiento facial: Postura, iluminación, oclusión (gafas, barba), maquillaje, peinado
- Reconocimiento de caracteres: Diferentes estilos de escritura
- Reconocimiento de voz: Dependencia temporal
- Diagnóstico médico: De los síntomas a las enfermedades
- Biometría: Reconocimiento/autenticación mediante características físicas y/o de comportamiento: Rostro, iris, firma, etc.
- Detección de valores atípicos/novedades
- Predicción de películas
- Predicción del precio de las acciones
Aprendizaje no supervisado
- Aprender “lo que sucede normalmente”
- Sin variable de salida
- Agrupación: agrupar instancias similares
Aplicaciones de ejemplo:
- Segmentación de clientes
- Compresión de imagen: cuantificación de color
- Bioinformática: motivos de aprendizaje
Aprendizaje por refuerzo
- Aprendizaje mediante la interacción con el entorno (ensayo y error)
- Consiste en observar el estado del entorno, actuar y recibir una recompensa.
- No hay un supervisor que indique la respuesta correcta.
- Solo las recompensas relativas dan pistas sobre la calidad de la acción.
Ejemplos de aplicaciones:
- Juegos (p. ej., Mario)
- Búsqueda y rescate robótico
- Planificación de rutas
- Descubrimiento de fármacos
Estadística y cálculo detrás del ML
El aprendizaje a menudo se basa en minimizar las pérdidas esperadas. Esto se hace a través de la optimización de la función de pérdida (Loss function).
Función de pérdida
La pérdida es una medida del rendimiento del algoritmo, ya sea que esté aprendiendo un buen modelo o no. Depende de la aplicación.
En palabras simple, lo que hace esta función es considerar los casos de malas clasificaciones o malas predicciones. Lo cual, nos permite estimar la probabilidad de que el algoritmo haga una mala clasificación.
Clasificador Bayesiano
En problemas de dos clases, en los que contemos con variables con distribución conjunta, el "Clasificador Bayesiano" viene dado por:
f∗(x) = (1 si P(1|x) > 1/2,
0 en caso contrario.
Para cualquier clasificador f : X → {0, 1}, L(f∗) ≤ L(f )
El "Clasificador Bayesiano" es el clasificador "óptimo". Sin embargo, nunca podemos usar el Clasificador Bayesiano, ya que desconocemos la distribución condicional verdadera de los datos.