Aprendizaje Automtico.

En ciencias de la computacin el aprendizaje automtico o aprendizaje de

mquinas (del ingls, "Machine Learning") es una rama de la inteligencia
artificial cuyo objetivo es desarrollar tcnicas que permitan a las computadoras
aprender. De forma ms concreta, se trata de crear programas capaces de
generalizar comportamientos a partir de una informacin no estructurada
suministrada en forma de ejemplos. Es, por lo tanto, un proceso de induccin
del conocimiento. En muchas ocasiones el campo de actuacin del aprendizaje
automtico se solapa con el de la estadstica, ya que las dos disciplinas se
basan en el anlisis de datos. Sin embargo, el aprendizaje automtico se
centra ms en el estudio de la complejidad computacional de los problemas.
El aprendizaje automtico tiene una amplia gama de aplicaciones, incluyendo
motores de bsqueda, diagnsticos mdicos, deteccin de fraude en el uso de
tarjetas de crdito, anlisis del mercado de valores, clasificacin de secuencias
de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robtica.

Modelos
El aprendizaje automtico tiene como resultado un modelo para resolver una
tarea dada. Entre los modelos se distinguen:

los modelos geomtricos, construidos en el espacio de instancias y que

pueden tener una, dos o mltiples dimensiones. Si hay un borde de
decisin linear entre las clases, se dice que los datos son linearmente
separables. Un lmite de decisin linear se define como w * x = t, donde
w es un vector perpendicular al lmite de decisin, x es un punto
arbitrario en el lmite de decisin y t es el umbral de la decisin
los modelos probabilsticos, que intentan determinar la distribucin de
probabilidades descriptora de la funcin que enlaza a los valores de las
caractersticas con valores determinados. Uno de los conceptos claves
para desarrollar modelos probabilsticos es la estadstica bayesiana.
los modelos lgicos, que transforman expresan las probabilidades en
reglas organizadas en forma de rboles de decisin.

Los modelos pueden tambin clasificarse como modelos de agrupamiento y

modelos de gradiente. Los primeros tratan de dividir el espacio de instancias en
grupos. Los segundos, como su nombre lo indican, representan un gradiente
en el que se puede diferenciar entre cada instancia. Clasificadores geomtricos
como las mquinas de vectores de apoyo son modelos de gradientes.

Atributos
Un atributo o caracterstica es un tipo de medida realizada sobre cualquier
instancia a medir. Los atributos mapean el espacio de instancias a un conjunto
de valores o dominio de atributos. Los valores del dominio pueden ser nmeros

como la frecuencia de aparicin de las instancias, valores binarios o un

conjunto cualquiera como el de meses, estaciones o colores.

Tipos de algoritmos
Aprendizaje supervisado

El algoritmo produce una funcin que establece una correspondencia entre las
entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de
algoritmo es el problema de clasificacin, donde el sistema de aprendizaje trata
de etiquetar (clasificar) una serie de vectores utilizando una entre varias
categoras (clases). La base de conocimiento del sistema est formada por
ejemplos de etiquetados anteriores. Este tipo de aprendizaje puede llegar a ser
muy til en problemas de investigacin biolgica, biologa computacional y
bioinformtica.
Aprendizaje no supervisado

Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos

formado tan slo por entradas al sistema. No se tiene informacin sobre las
categoras de esos ejemplos. Por lo tanto, en este caso, el sistema tiene que
ser capaz de reconocer patrones para poder etiquetar las nuevas entradas.
Aprendizaje semi-supervisado

Este tipo de algoritmos combinan los dos algoritmos anteriores para poder
clasificar de manera adecuada. Se tiene en cuenta los datos marcados y los no
marcados.
Aprendizaje por refuerzo

El algoritmo aprende observando el mundo que le rodea. Su informacin de

entrada es el feedback o retroalimentacin que obtiene del mundo exterior
como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de
ensayo-error.
Transduccin

Similar al aprendizaje supervisado, pero no construye de forma explcita una

funcin. Trata de predecir las categoras de los futuros ejemplos basndose en
los ejemplos de entrada, sus respectivas categoras y los ejemplos nuevos al
sistema.
Aprendizaje multi-tarea

Mtodos de aprendizaje que usan conocimiento previamente aprendido por el

sistema de cara a enfrentarse a problemas parecidos a los ya vistos.
El anlisis computacional y de rendimiento de los algoritmos de aprendizaje
automtico es una rama de la estadstica conocida como teora computacional
del aprendizaje.