50 conceptos básicos para entender el machine learning

Las técnicas de machine learning o de aprendizaje automático son ya una realidad y multitud de compañías las usan a diario para mejorar sus procesos de negocio, sus productos y sus servicios. Según Statista, ya en 2018 el 77% de las organizaciones confiaba mucho o totalmente en el machine learning.

“Underfitting”, “transfer earning”, “softmax”, “rectified linear unit (ReLU)”, “generative adversarial networks (GAN)”… y así hasta 50 términos relacionados con el aprendizaje automático se explican en el ebook elaborado por Paradigma Digital, multinacional española especializada en la transformación digital de las empresas.

En los últimos años las técnicas de machine learning han ganado relevancia y demostrado tener aplicaciones muy útiles y de un gran impacto en los procesos de negocio de las empresas, ante el enorme aumento de la capacidad de cómputo, el gran volumen de datos que las empresas manejan y las técnicas o algoritmos que se han desarrollado en los últimos años.

“Sin embargo, se trata de un dominio complejo, con multitud de conceptos y términos particulares, lo que hace difícil adentrarse en este universo y poder entender en profundidad las ventajas, aplicaciones y el funcionamiento de estas técnicas”, advierte Manuel Zaforas, responsable de la iniciativa de Inteligencia Artificial de Paradigma Digital.

El ebook sobre machine learning, que se puede descargar de forma gratuita desde este enlace, recopila los 50 términos fundamentales para conocer y entender el funcionamiento de estas técnicas y dar el primer paso para profundizar en esta área tan apasionante y que tanto impacto está teniendo.

Algunos ejemplos de estos terminos:

AutoML (Auto Aprendizaje Automático): El proceso de creación de un modelo de Machine Learning suele ser complejo y requiere de personas especializadas con distintas cualidades. Dentro de estas fases, el propio modelado requiere: especialistas capaces de realizar las tareas de feature engineering, conocimiento de los algoritmos para la optimización de hiperparámetros, experiencia en el desarrollo de software para implementar en código el resultado. AutoML nos ayudará en esta tarea, principalmente en las fases de Modeling y Evaluation de un proyecto típico. AutoML recibirá un conjunto de datos preparados y una tarea a realizar, para ello:

• Buscará una estrategia para preprocesar los datos (cómo tratar los datos no balanceados, cómo codificar las categorías…).
• Generará nuevas características y seleccionará las más significativas.
• Elegirá un algoritmo (algoritmos lineales, redes neuronales…).
• Realizará el tuning de los hiperparámetros del modelo elegido.
• Creará un conjunto estable de modelos para intentar mejorar el scoring obtenido si fuera posible

Bagging (Bootstrapping and aggregating) es una de las técnicas que intentan obtener clasificadores más estables y actualmente este es uno de los campos de investigación abiertos en el ámbito de sistemas de clasificación. Son efectivos cuando nos encontramos con una distribución de clase equilibradas, sin embargo, se han propuesto muchas modificaciones a los algoritmos que adaptan su comportamiento y los hacen más adecuados para un desequilibrio de clases.

Convolutional Networks (Redes convolucionales): Las redes neuronales convolucionales consisten en múltiples capas de filtros convolucionales de una o más dimensiones. Al poder trabajar con matrices bidimensionales son muy efectivas para tareas relacionadas con la visión artificial (tanto clasificación como detección). El objetivo de la aplicación de un filtro (o kernel) convolucional es la transformación de los datos de forma que ciertas características de la imagen (en función del filtro aplicado) se vuelvan más predominantes, obteniendo como resultado un conjunto de datos menos sensibles a pequeñas modificaciones de los datos de entrada.