El aprendizaje automático recurre a un algoritmo para el análisis de sentimiento.
El aprendizaje automático es un área de la inteligencia artificial (IA) centrada en las técnicas que hacen posible que un sistema adquiera la capacidad de aprender. El concepto también es mencionado como machine learning, una expresión de la lengua inglesa que puede traducirse como «aprendizaje de máquinas».
La base del aprendizaje automático es propiciar que una computadora pueda llevar a cabo determinadas tareas de una manera autónoma, sin una programación específica que se lo indique. Para esto se recurre a algoritmos (un conjunto de reglas).
Temas
ResumenImitación de una capacidad humana
El aprendizaje automático supone una imitación del modo en que aprende el ser humano. Se denomina aprendizaje a la adquisición de habilidades o conocimientos; lo automático, por su parte, es aquello que tiene un funcionamiento autónomo, sin que una persona deba intervenir de forma constante o directa.
Con el aprendizaje automático, pues, un sistema está en condiciones de aprender aun cuando no fue programado para eso de manera explícita. Lo que hace la máquina es identificar patrones entre los datos que se encarga de procesar; así, puede llevar a cabo predicciones y pronósticos.
Puede decirse, por lo tanto, que el aprendizaje automático se sustenta en el reconocimiento de patrones. Gracias a sucesivos procesamientos de datos, el sistema va logrando aprender a hacer inferencias de nuevas informaciones, sin haber sido entrenado con ellas.
Como indicamos más arriba, los algoritmos son claves en este proceso, al igual que la estadística. Hoy los dispositivos trabajan con enormes cantidades de información (big data) y están en condiciones de deducir, frente a un problema, cuál es el mejor resultado posible.
De modo similar a una persona, la computadora analiza los datos, extrae características en común y desarrolla una clasificación para luego concretar sus predicciones. Bibliotecas y plataformas como Scikit-learn, Keras, TensorFlow y PyTorch ayudan a la creación de modelos de aprendizaje automático y algoritmos.
Los algoritmos de aprendizaje automático entrenan los datos a través de un proceso conocido como clustering.
Tipos de aprendizaje automático
Los expertos reconocen diferentes tipos de aprendizaje automático, derivado de los diversos modelos de machine learning. Cuando se emplean datos etiquetados para entrenar los algoritmos, se habla de aprendizaje supervisado. Lo que hace el sistema, en estos casos, es adaptarse de acuerdo a la introducción de los datos.
Si se agrupan datos sin etiquetas, en cambio, se trata de un aprendizaje no supervisado. Así, el sistema realiza una búsqueda de patrones ocultos partiendo de semejanzas y diferencias.
Una alternativa intermedia es el aprendizaje semi-supervisado. En dicha clase de machine learning se utilizan pequeñas cantidades de datos etiquetados para dirigir el procesamiento de conjuntos de datos más grandes que, a diferencia de los primeros, no tienen etiquetas.
El mecanismo de prueba y error, finalmente, es el pilar del aprendizaje por refuerzo. A través de esta modalidad la computadora realiza ensayos para arribar a la manera adecuada de ejecutar una tarea.
El aprendizaje automático apela al procesamiento de lenguaje natural (PLN) para el reconocimiento de voz.
Las redes neuronales
Para comprender el desarrollo del aprendizaje automático hay que entender cómo funciona la inteligencia artificial y especialmente la noción de red neuronal.
El británico Thomas Bayes (1701–1761) está considerado como un precursor de las ciencias de la computación y la inteligencia artificial. El teorema de Bayes, en este marco, indica la probabilidad de que se produzca un suceso partiendo del análisis de condiciones previas que pudieran estar relacionadas con el acontecimiento en cuestión.
Con el tiempo surgió la programación informática (instrucciones que se les dan a las computadoras para que concreten la ejecución de una acción) y así Alan Turing (1912–1954) llegó a estudiar la posible capacidad de las máquinas para pensar, replicando con autonomía algunas acciones propias de las personas.
El siguiente paso que hizo posible el desarrollo de la inteligencia artificial y el machine learning fue la creación de redes neuronales artificiales, formadas por nodos interrelacionados que transmiten y procesan datos. Este avance surgió de investigaciones centradas en las redes neuronales humanas y en el estudio sobre la aplicación de la biología para producir máquinas inteligentes.
Se considera que el aprendizaje automático se logró por primera vez en 1951, cuando dos científicos del Massachusetts Institute of Technology (Dean Edmonds y Marvin Minsky) crearon un programa informático que logró aprender de sus experiencias para hallar cómo salir de un laberinto.
A partir del big data y de la mayor potencia de computo, el aprendizaje automático creció mucho desde finales del siglo XX, llegando a resolver problemas de gran complejidad. No se puede dejar de mencionar, en este contexto, el progreso que supuso el deep learning (aprendizaje profundo): la capacidad de un sistema de entrenarse a sí mismo para conseguir una optimización en el uso de los datos.
Ejemplos de aprendizaje automático
En la actualidad podemos encontrar ejemplos de aprendizaje automático en múltiples ámbitos. El machine learning es utilizado por los sistemas de recomendación que sugieren distintas opciones a los usuarios según las preferencias que evidenciaron con anterioridad, por mencionar un caso.
El reconocimiento de voz y el reconocimiento de imágenes son otros ejemplos de aprendizaje automático. Los sistemas, en este caso, detectan patrones para la identificación.
La machine translation (traducción automática) y los chatbots que «dialogan» con las personas son otras herramientas tecnológicas posibilitadas por el aprendizaje automático.
Publicado por 
