Hay muchas técnicas en Machine Learning. Enumeraré 5 de ellos (el nombre del método y un ejemplo simple), solo para dar un ejemplo claro de lo que ML puede hacer, si está bien aplicado.
Regresión
Caso: Imagine que tiene una base de datos con miles de casas (cada fila es una casa), sus precios y algunas características (como el tamaño en metros cuadrados). Puede aplicar una regresión lineal, por ejemplo, para analizar todos estos datos y devolver una predicción de cuánto costará una casa dado su tamaño. Entonces, si alguien le dice: “Tengo un apartamento de 100 metros cuadrados, dos dormitorios, dos baños, una cocina, situado en el centro de San Francisco”, es posible tener una buena estimación de su precio. Si agrega otras funciones, puede llegar muy lejos: dentro de un año, ¿cuál será la evaluación? (por supuesto, necesitamos analizar otras variables como el contexto económico).
- ¿Por qué uno usaría máquinas de Turing Multi-cinta?
- ¿Cuáles son algunas buenas estructuras de datos concurrentes, o estructuras de datos altamente paralelizables?
- Redes informáticas: quiero instalar Wireshark, ¿es seguro? ¿Qué hay de Winpcap?
- ¿Cuál es el uso de la teoría del Grupo de Renormalización fuera de la física cuántica?
- ¿Cuáles son los mejores casos de uso para aplicar inteligencia artificial a las ventas?
Clasificación
Caso: Ahora imagine si tiene una base de datos con muchas revisiones sobre productos específicos. Este informe contiene, en este ejemplo, las opiniones de los clientes (después de comprarlos en su comercio electrónico, emiten un comentario). Puede utilizar toda esta información y aplicar una técnica de análisis sentimental. Luego, la computadora leerá este texto y aprenderá a interpretarlos. Como resultado, obtendrá (automáticamente) si la revisión fue positiva o negativa, ¡sin leerlos!
Agrupamiento
Caso: puede entrenar a su computadora para analizar muchos textos que tiene y separarlos en grupos. Por ejemplo: imagine que tiene un millón de artículos en su disco, puede aplicar la agrupación para crear grupos de elementos de “Deportes”, “Política”, “Cultura”, etc. ¡sin analizarlos manualmente! Por supuesto, necesitas entrenar tu computadora muy bien. Pero solo para dejarte un ejemplo.
Factorización matricial
Con esta técnica, puede recomendar productos basados en fragmentos de evidencia (actividades). Es lo que vemos en sitios web como Amazon. Dejas muchos rastros cuando buscas un producto o haces clic en anuncios, luego, en base a todos estos rastros, es posible tener cierto conocimiento sobre tus preferencias. Entonces, el resultado aquí (al entrenar a la computadora) es recomendarle productos relacionados con ellos. ¡Automáticamente! (¿imagina hacer esto para cada cliente? Imposible. Pero el empleado de ventas humano y tradicional lo hace, por supuesto, en muy, muy pequeña escala). =).
Aprendizaje profundo
Es un tema vasto y complejo. PERO para una comprensión clara: imagina analizar un número significativo de imágenes (las imágenes de entrada) y conoce el objeto de cada imagen. Puede obtener una leyenda de cada imagen que dice (“Imagen de una casa”, “Perro”, “Gato”, “Coche”).
Por supuesto, estos son ejemplos muy simples y puedes profundizar más en el estudio de cada uno de ellos. Pero creo que es muy útil dar a la gente en general la capacidad de aplicar los métodos de Machine Learning. Cada vez más, esto forma parte de proyectos en empresas, y es un tema importante para comprender los cambios en los próximos años.
