Muy buenos días! como andan? Ya estamos en la semana número 24 de este 2019 y hoy quiero hablarles de unos conceptos que muchas veces fueron mencionados en episodios anteriores y creo que es momento de explicarlos.
Me refiero a las categorías más comunes y más ampliamente usadas hasta el día de hoy en algoritmos de Machine Learning. Estas son el aprendizaje no supervisado y el aprendizaje supervisado.
Así que hoy vamos a ver que es cada una de ellas, en qué se diferencian y cuáles son algunas de las posibles implementaciones y usos de cada una.
Pero antes tengo que hacer el llamado a la acción! Así que les cuento que se pueden suscribir al podcast en Spotify, iVoox o la aplicaciones de podcast que mas les guste asi se enteran cada vez que sale un nuevo episodio.
Y para los que usan Twitter, ahi me encuentran en @pochocosta
Categorías de aprendizaje automático
Ahora vamos con el tema de hoy que es aprendizaje no supervisado y aprendizaje supervisado.
Así que lo primero que quiero introducir es el concepto este que trae la palabra supervisado que es lo que a mí más me llamó la atención la primera vez.
Si se acuerdan los que me escuchan desde el principio, cuando explicamos qué es machine learning hablamos de que teníamos que darle ejemplos a nuestro algoritmo para entrenarlo y que “aprenda”.
Esos ejemplos se los podemos dar de dos maneras:
- En el aprendizaje no supervisado, le damos el ejemplo sin decirle nada más.
- En el aprendizaje supervisado le damos el ejemplo y además le damos una “etiqueta” para cada ejemplo.
Entonces lo de supervisado o no, quiere decir si los ejemplos que le damos tienen o no etiqueta.
Esto puede sonar a chino basico asi que mejor vamos a explicarlo con un ejemplo.
Aprendizaje no supervisado
Pensemos en un posteo en redes sociales como un ejemplo. Si vas a tu perfil de Instagram y empezás a mirar todas tus fotos, esto en serio te digo, si tenes abrí la app y mirá todas tus fotos, esta bueno el ejercicio, haceme caso. Cuando las termines de mirar vas a empezar a detectar patrones.
Va a haber fotos en las que aparecen personas, seguramente familia y amigos. Otras fotos donde aparezcan paisajes. Otras fotos con asados. Otras fotos con vinos.
Como se podrán imaginar esas son las fotos de mi instagram. Pero si agarran cualquier cuenta que tenga unas cuantas fotos, que acá en machine learning le vamos a decir ejemplos, van a aparecer estos patrones.
Estos patrones con aprendizaje no supervisado puede encontrarlos también un algoritmo.
Aprendizaje supervisado
Ahora, si a ese posteo le agregamos un hashtag lo estamos etiquetando. Entonces ahora cada foto o ejemplo tiene un hashtag que dice que es #familia #paisaje #vino #asado, estos ejemplos son los que se usarían en aprendizaje supervisado porque están etiquetados.
Entonces cuando tengas un modelo entrenado con las fotos y los hashtags, se podría lograr que al subir una nueva foto te diga que hashtag le pondría el algoritmo de acuerdo lo que aprendió durante el entrenamiento.
Bueno creo que quedó fácil de entender lo que es cada uno de estos dos tipos de aprendizaje, que son los principales. El resto lo vamos a dejar para más adelante. Pero hoy nos centramos en esos dos.
Usos del unsupervised learning
Yo me acuerdo que con el boom de las redes sociales allá por el año 2008, 2009, parecía increíble que te hagan ciertas sugerencias de relaciones, y uno se preguntaba ¿cómo harán para saber que conozco a esa persona?
Bueno eso seguramente era posible gracias al aprendizaje no supervisado, ya que con la información que tenían sobre nosotros podían detectar patrones y hacer agrupamientos por similitudes, cercanias, colegios, edad, universidad, empresas en la que trabajaste, etc.
También se puede usar en marketing para hacer segmentación de clientes y agrupar a los que tienen características similares. O También para sistemas de recomendación de productos en un ecommerce o recomendar música o películas, esto ya es el día a día prácticamente porque está por todos lados.
Usos del supervised learning
Ahora, con el aprendizaje supervisado se pueden hacer principalmente dos tipos de usos:
El primero es lo que les decía con el ejemplo de instagram, donde a partir de una foto el algoritmo nos pueda sugerir un hashtag, eso se llama clasificación. Si se acuerdan hace un tiempo en un episodio hablé del árbol de decisión y el ejercicio era el de clasificar viviendas en una ciudad u otra dependiendo de ciertas características.
El árbol de decisión es uno de los algoritmos de aprendizaje supervisado.
El otro tipo de uso que se le puede dar al aprendizaje supervisado se llama regresión. Y la diferencia es que en vez de que nuestra etiqueta sea una categoría, en regresión la etiqueta es un número.
Un ejemplo de este uso se podría aplicar en una inmobiliaria, donde entrenen a un algoritmo con los datos de las viviendas que están administrando, y que cuando tengan que hacer una tasación de una vivienda nueva puedan pasarle los datos al algoritmo y este les diga, según los datos que me ingresaron el precio debería ser tanto…
Y bueno como ese, hay muchísimo usos que se le puede dar, todos relacionados con predicciones numéricas de puntajes, precios, cantidades de ventas, stocks, ingresos, bueno lo que se les ocurra que sea con números…
Así que bueno, estos son los dos tipos de aprendizaje más comunes en machine learning, espero haber podido ser claro y que hayan entendido y sino me escriben y me preguntan no hay ningún problema. Pero bueno, por lo menos yo me quedo mas tranquilo porque estos conceptos ya los habia mencionado varias veces y con esto ya espero que el que no lo sabia ahora entienda un poco mas de que se está hablando.
Hasta aquí el programa de hoy, gracias a todos por estar ahí. Y si quieres que enterarse cada vez que salga un nuevo episodio de este podcast suscribiste en Itunes, iVoox, Google Podcast o Spotify. Les agradezco enormemente las reseñas de 5 estrellas en iTunes y los me gusta y comentarios en iVoox que nos ayudan a que nos conozca más gente. Y si te gustó compartirlo en redes sociales.
Nos escuchamos en el próximo episodio donde seguiremos hablando de este hermoso mundo de la inteligencia artificial.
Deja una respuesta