Machine Learning (ML), se trata específicamente de hacer que las máquinas (es decir, las computadoras) aprendan a hacer cosas sin programar. Como ejemplo, considere el problema de reconocer una transacción fraudulenta con tarjeta de crédito. Piensa en las miles de situaciones que deberían programarse. Además, piense en lo difícil que sería intentar comprender ese gran programa. Con ML simplemente damos a un programa de aprendizaje muchos ejemplos de transacciones buenas y malas. El programa de aprendizaje puede construir una estructura de datos que permite que un programa de reconocimiento distinga las transacciones buenas de las malas.
Hubo un tiempo en que ML era computacionalmente difícil y, por lo tanto, tenía aplicaciones limitadas y utilidad limitada; sin embargo, los enormes sistemas de ML ahora se construyen fácilmente con procesadores modernos y gran almacenamiento. Con estas limitaciones eliminadas, las aplicaciones son infinitas. Escoger películas, traducir idiomas, limpiar señales de transmisión, mover un brazo robótico, hacer intercambios de valores, son solo algunas de las muchas aplicaciones para ML.
ML es un subtema del campo de la Inteligencia Artificial: el estudio de la construcción de computadoras que coinciden o superan el intelecto humano. Si bien esto puede parecer un desafío insuperable, se han hecho grandes avances en los últimos años. Uno de los ejemplos más avanzados es Siri, el asistente personal inteligente incorporado en el iPhone. El objetivo final es construir máquinas que puedan reemplazar a las personas para la mayoría de las tareas.
- ¿Qué herramientas utilizas para el aprendizaje automático?
- ¿Qué papel tendrá la IA en el enfoque de diseño de IDEO?
- ¿Cuáles son los buenos sitios web y foros de inteligencia artificial?
- ¿Cómo funciona una red neuronal generativa? ¿Cómo pueden crear imágenes?
- ¿Cómo podemos implementar la factorización matricial a través de redes neuronales?
