APRENDIZAJE AUTOMTICO

El aprendizaje automtico o aprendizaje de mquinas (del ingls, "Machine Learning") es el

sub- campo de las ciencias de la computacin y una rama de la inteligencia artificial cuyo
objetivo es desarrollar tcnicas que permitan a las computadoras aprender. De forma ms
concreta, se trata de crear programas capaces de generalizar comportamientos a partir
de una informacin suministrada en forma de ejemplos. Es, por lo tanto, un proceso de
induccin del conocimiento. En muchas ocasiones el campo de actuacin del aprendizaje
automtico se solapa con el de la estadstica computacional, ya que las dos disciplinas se
basan en el anlisis de datos. Sin embargo, el aprendizaje automtico tambin se centra en
el estudio de la complejidad computacional de los problemas. Muchos problemas son de
clase NP-hard, por lo que gran parte de la investigacin realizada en aprendizaje
automtico est enfocada al diseo de soluciones factibles a esos problemas. El
/aprendizaje automtico puede ser visto como un intento de automatizar algunas partes
del mtodo cientfico mediante mtodos matemticos.
El aprendizaje automtico tiene una amplia gama de aplicaciones, incluyendo motores de
bsqueda, diagnsticos mdicos, deteccin de fraude en el uso de tarjetas de crdito,
anlisis del mercado de valores, clasificacin de secuencias de ADN, reconocimiento del
habla y del lenguaje escrito, juegos y robtica.

Algunos sistemas de aprendizaje automtico intentan eliminar toda necesidad de intuicin

o conocimiento experto de los procesos de anlisis de datos, mientras otros tratan de
establecer un marco de colaboracin entre el experto y la computadora. De todas formas,
la intuicin humana no puede ser reemplazada en su totalidad, ya que el diseador del
sistema ha de especificar la forma de representacin de los datos y los mtodos de
manipulacin y caracterizacin de los mismos. Sin embargo, las computadoras son
utilizadas por todo el mundo con fines tecnolgicos muy buenos.

El aprendizaje automtico tiene como resultado un modelo para resolver una tarea dada.
Entre los modelos se distinguen1

Los modelos geomtricos, construidos en el espacio de instancias y que pueden tener una,
dos o mltiples dimensiones. Si hay un borde de decisin lineal entre las clases, se dice que
los datos son linealmente separables. Un lmite de decisin lineal se define como w * x = t,
donde w es un vector perpendicular al lmite de decisin, x es un punto arbitrario en el lmite
de decisin y t es el umbral de la decisin.

Los modelos probabilsticos, que intentan determinar la distribucin de probabilidades

descriptora de la funcin que enlaza a los valores de las caractersticas con valores
determinados. Uno de los conceptos claves para desarrollar modelos probabilsticos es la
estadstica bayesiana.

Los modelos lgicos, que transforman expresan las probabilidades en reglas organizadas en
forma de rboles de decisin.

Los modelos pueden tambin clasificarse como modelos de agrupamiento y modelos de

gradiente. Los primeros tratan de dividir el espacio de instancias en grupos. Los segundos,
como su nombre lo indican, representan un gradiente en el que se puede diferenciar entre
cada instancia. Clasificadores geomtricos como las mquinas de vectores de apoyo son
modelos de gradientes.

Un atributo o caracterstica es un tipo de medida realizada sobre cualquier instancia a

medir. Los atributos mapean el espacio de instancias a un conjunto de valores o dominio de
atributos. Los valores del dominio pueden ser nmeros como la frecuencia de aparicin de
las instancias, valores binarios o un conjunto cualquiera como el de meses, estaciones o
colores.

Aprendizaje supervisado
Artculo principal: Aprendizaje supervisado
El algoritmo produce una funcin que establece una correspondencia entre las
entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es
el problema de clasificacin, donde el sistema de aprendizaje trata de etiquetar
(clasificar) una serie de vectores utilizando una entre varias categoras (clases). La
base de conocimiento del sistema est formada por ejemplos de etiquetados
anteriores. Este tipo de aprendizaje puede llegar a ser muy til en problemas de
investigacin biolgica, biologa computacional y bioinformtica.
Aprendizaje no supervisado
Artculo principal: Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos
formado tan slo por entradas al sistema. No se tiene informacin sobre las categoras
de esos ejemplos. Por lo tanto, en este caso, el sistema tiene que ser capaz de
reconocer patrones para poder etiquetar las nuevas entradas.

Aprendizaje semisupervisado
Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar
de manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.