Aprende lecciones de +100 libros. Los mejores resúmenes de los mejores libros. Información condensada, para personas ocupadas.

Aprendizaje automático.

El aprendizaje automático puede resolver problemas importantes al observar los datos y luego encontrar un algoritmo para explicarlos.

¿Alguna vez te has sentido frustrado con recetas que tienen instrucciones imprecisas, como “cocina a fuego medio durante 15-20 minutos”? Si es así, podrías ser alguien que prefiere un buen algoritmo.

A diferencia de las recetas, los algoritmos son secuencias de instrucciones precisas que producen el mismo resultado cada vez.

Aunque es posible que no te des cuenta de su presencia, los algoritmos se usan en todas partes. Ellos programan vuelos, enrutan los paquetes que envías y se aseguran de que las fábricas funcionen sin problemas.

Estos algoritmos estándar están diseñados para aceptar información como una entrada, luego realizar una tarea y producir una salida.

Digamos que la tarea de un algoritmo es dar instrucciones. Cuando ingresa dos puntos, la salida sería la ruta más corta entre estos dos puntos.

Pero los algoritmos de aprendizaje automático, o ML, son un paso más abstractos: son algoritmos que generan otros algoritmos. Dado que hay muchos ejemplos de pares de entrada-salida para aprender, encuentran un algoritmo que parece convertir las entradas en salidas.

Esto es útil para encontrar algoritmos para tareas que los programadores humanos no pueden describir con precisión, como leer la escritura de alguien. Al igual que andar en bicicleta, descifrar la escritura a mano es algo que hacemos inconscientemente. Tendríamos problemas para poner nuestro proceso en palabras, y mucho menos en un algoritmo.

Gracias al aprendizaje automático, no tenemos que hacerlo. Solo le damos a un algoritmo de aprendizaje automático muchos ejemplos de texto escrito a mano como entrada, y el significado del texto como la salida deseada. El resultado será un algoritmo que puede transformar uno en el otro.

Una vez que aprendemos, podemos usar ese algoritmo siempre que queramos descifrar automáticamente la escritura a mano. Y, de hecho, así es como la oficina de correos puede leer el código postal que escribes en tus paquetes.

Lo bueno es que los algoritmos de ML como este se pueden usar para muchas tareas diferentes, y resolver problemas emergentes es solo una cuestión de recopilar suficientes datos.

Esto significa que el algoritmo subyacente inicial es a menudo el mismo y no requiere ajustes para resolver problemas aparentemente no relacionados.

Por ejemplo, podrías pensar que hacer un diagnóstico médico, filtrar el correo no deseado de tu correo electrónico y descubrir el mejor movimiento de ajedrez podría necesitar algoritmos completamente diferentes. Pero, en realidad, con un algoritmo ML y el tipo correcto de datos, puedes resolver todos estos problemas.