Actualmente la inteligencia artificial (IA) está en todos lados, y cada día que pasa se hace más presente en nuestras vidas, y además de hacerse más presente, evoluciona y se desarrolla también a pasos agigantados. Este desarrollo permitió que se expandiera y se derivara en muchas ramas. El Machine learning (ML) es una de las más conocidas y evolucionadas, y a diferencia de las demás, en el ML no se programa de manera explícita -valga la redundancia- un programa, sino que se programa para que este aprenda de sus errores y experiencias. Debido a esta naturaleza, los tipos de Machine learning se reducen a tres: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo.

Tipos de Machine Learning.

Aprendizaje Supervisado.

En este tipo de ML se enseña a la máquina mostrándole data. Es decir, si queremos enseñarle a nuestro modelo a diferenciar entre un gato y perro, le debemos mostrar imágenes de estos animales declarando obviamente si es un gato o un perro, es decir, etiquetándolas. Cuando le mostramos una sin declarar qué es, es decir sin etiqueta, el modelo deberá determinar si se trata de un gato o un perro. Lo que diferencia el aprendizaje supervisado de los demás tipos es que en este se entrena al modelo mostrándole ejemplos. Y hablando de ejemplos, aquí te traemos algunas aplicaciones del aprendizaje supervisado:

• K vecinos más próximos (k-nearest neighbours)
• Regresión logística (Logistic regression)
• Red neuronal artificial (Artificial neural networks)

Aprendizaje No supervisado.

El nombre lo dice. A diferencia del aprendizaje supervisado, aquí no tenemos que entrenar al modelo, sino que este tiene el objetivo de comprender y encontrar patrones por él mismo dentro de la información de manera directa. Dentro de este grupo de algoritmos el agrupamiento o clustering en inglés es el más utilizado, pues particiona los datos en grupos que tengan características similares entre sí. Aquí están algunos ejemplos del uso del aprendizaje no supervisado:

• K-means
• Mapas auto-organizados (Self-organizing maps)
• Agrupamiento jerárquico (Hierarchical clustering)

Aprendizaje por refuerzo.

Esta es la más interesante de las tres desde mi punto de vista. Se diferencia de los demás tipos porque aquí el modelo aprende de su experiencia. Es decir, aquí no se le muestran ejemplos ni tampoco ve patrones. En este tipo de ML se le recompensa al modelo cuando hizo algo bien y se le castiga cuando hizo algo mal. De esta manera va aprendiendo de sus errores. En los coches autónomos pasa esto; cuando hacen algo bien se les premia y cuando hacen algo mal se les castiga. Unos ejemplos podrían ser:

• Q-learning
• State–action–reward–state–action (Sarsa)

Y hasta ahora esos son los tipos de Machine learning que existen en la actualidad. Pero debido al desarrollo constante que está teniendo esta tecnología, no quedaría duda que próximamente habrán más.