FACULTAD DE INGENIERÍA

ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA DE SISTEMAS

Artículo de Opinión

TÍTULO

Machine Learning como soporte al aprendizaje Automático

AUTOR(ES)

Quispe Soriano, Emerson

Sulluchuco Castillo, Marcelo

Seguil León, Jorge

ASESOR

Ruiz Huidobro Marro Carlos Ernesto Ruiz

Lima-Perú

2019-II
 MACHINE LEARNING COMO SOPORTE AL APRENDIZAJE AUTOMÁTICO

I. INTRODUCCIÓN

En la actualidad en el sector de la tecnología es contemplado en todas las áreas del

conocimiento de hoy en día se puede observar en los distintos avances que se han dado en
el mundo como los avances médicos para distintas enfermedades, en el sector agrícola con
nuevos productos, así como también en el sector empresarial con sistemas que se han ido
posicionando como soluciones inmediatas a los problemas de estas. Pero, hay un sector que
ha ganado demasiado con la aparición de la tecnología en los últimos años, este sector es la
educación que ha sabido aprovechar estos avances tanto en el sector de la educación básica
y la educación superior. Por lo tanto, una de los grandes propósitos de este sector es poder
llegar a más lugares para poder así hacer que las distintas generaciones puedan acceder a
este derecho que en estos años se ha vuelto un privilegio. Es por esto que al combinar la
tecnología y la educación se da lo que hoy se conoce como machine learning o aprendizaje
automático, por esto Anido y Pérez (2017) nos da la siguiente definición:

[…] El aprendizaje automático o aprendizaje máquina es una rama de la inteligencia artificial

cuyo objetivo es desarrollar técnicas que permitan a los ordenadores aprender. En concreto, las
técnicas de aprendizaje máquina exploran el estudio y la construcción de algoritmos que puedan
aprender de un conjunto de datos y hacer predicciones acerca de ellos. Típicamente se clasifican
en tres grandes grupos en función del conocimiento existente a priori: aprendizaje supervisado,
aprendizaje no supervisado y aprendizaje semi-supervisado […]. (p. 11).

La aplicación del machine learning en el sector educativo tiene un peso muy destacado para
la sociedad de hoy, ya que se dará un mayor avance en las metodologías de aprendizaje
permitiendo así que las generaciones venideras puedan nutrirse fácilmente de conocimiento
que se guardara para el futuro. El objetivo de nuestro artículo de opinión es describir el
impacto que tiene el machine learning como soporte en la educación. A partir de aquí surge
las siguientes interrogantes ¿Cuál es el impacto que tiene el machine learning en el soporte
de los procesos de aprendizaje en el sector educativo en la sociedad peruana?
II. OPINIÓN

Desde nuestra opinión se puede decir que el aprendizaje supervisado es una herramienta que
surge a raíz de una necesidad, ya que en la actualidad la necesidad de una asistencia en el
aprendizaje es un pilar fundamental para que la persona que está haciendo uso de esta
herramienta le saque el mayor provecho posible, otra ventaja de esta herramienta es que la
lecciones aprendida ya no se pierde ni sufre deterioro ya que es una preocupación en el sector
de educación que esta información se pierda para las siguientes generaciones además de
poder contar con reportes que sirvan a manera de monitoreo los conocimientos que el
estudiante va adquiriendo a través del tiempo para poder comprobar si su aprendizaje va
acorde a los objetivos trazados.

El papel que cumple el aprendizaje Automático o aprendizaje maquina hoy en día es que
desarrollen técnicas que enseñen a las maquinas a aprender. De tal forma profundicen el
estudio y la construcción de técnicas de algoritmos, que aprendan un conjunto de datos y
hacer predicciones acerca de ellos. Entonces se dice que una AM son computadoras que
tienen una habilidad de aprender sin ser programadas determinadamente, resuelven
problemas que no pudieron ser resultas mediante medios numéricos únicamente. Entre los
diferentes tipos de tarea encontramos al aprendizaje supervisado y no supervisado.

El aprendizaje supervisado en otras palabras consiste en insertar una función a partir una
serie de ejemplos de secuencia de entrenamiento para más adelante predecir una salida o
respuesta para otra solución distinta a una secuencia de test. Esto es útil para la predicción
de resultados en un corto o largo plazo a un conjunto de instrucciones para una determinada
también es importante esto ya que se puede corregir sobre la marcha la secuencia de
entrenamiento si se ve que esta no cumplirá con los objetivos que se quiera lograr, además
se puede ejercer un control sobre los individuos ya que cada uno obtendrá un resultado
diferente en base a los datos de la simulación que se le brinde por separado.

Según la investigación de ciertos expertos el aprendizaje semi supervisado es la parte

intermedia del aprendizaje supervisado y el aprendizaje no supervisado analizando las
técnicas de la parte final y la parte del inicio de un problema. Otros de ellos científicos
definen que es la unión de tanto de aprendizaje supervisado como no aprendizaje no
supervisado, cada uno de las definiciones que proponen se debe analizar y actualizar la más
correcta de tanto de que los profesionales de ingeniería de sistemas que es más probable de
dar el asertividad de este paradigma.

III. ARGUMENTACIÓN

Según Ramos, Shab y Rivera (2018) nos da la siguiente idea sobre lo que es el aprendizaje
supervisado:

[...] los métodos de aprendizaje supervisado son técnicas de aprendizaje automático relacionadas
con entrenar un modelo, por ejemplo, de clasificación, utilizando un conjunto de datos de
entrenamiento para realizar predicciones sobre datos desconocidos de antemano. Existe una
amplia gama de métodos supervisados, como clasificadores de vecinos más cercanos, árboles de
decisión, clasificadores basados en reglas y clasificadores probabilísticos […] y otro en técnicas
de Machine Learning, para identificar los sentimientos expresados en los textos […] (p.2).

Lo que el autor quiere transmitir es que actualmente el aprendizaje automático contiene una
gran cantidad de información valiosa, que mediante técnicas de machine learning que
realizan este crea una predicción sobre datos desconocidos y así descubrir los sentimientos
expresados en los textos por lo tanto se tiene una respuesta automática sin necesidad de
interacción humana.

Según Luckert y Schaefer (2015) nos dice lo siguiente sobre el aprendizaje supervisado:

[…] Supervised learning includes every task in which the algorithm has access to input and
output values. Input values are defined as the external information that the algorithm is allowed
to use, such as attribute values and meta data, while output values, are the specific labels of the
class attribute. This means that the structure of the data is already known and the goal of these
programs is to assign new data to the correct classes. In contrast to supervised learning,
unsupervised learning includes all tasks that have no access to output values and therefore try to
find structures within the data by creating classes on their own […] (p.8). [ El aprendizaje
supervisado incluye todas las tareas en las que el algoritmo tiene acceso a los valores de entrada
y salida. Los valores de entrada se definen como la información externa que el algoritmo puede
usar, como los valores de atributo y los metadatos, mientras que los valores de salida son las
etiquetas específicas del atributo de clase. Esto significa que la estructura de los datos ya se
conoce y el objetivo de estos programas es asignar nuevos datos a las clases correctas. A
diferencia del aprendizaje supervisado, el aprendizaje no supervisado incluye todas las tareas
que no tienen acceso a los valores de salida y, por lo tanto, intentan encontrar estructuras dentro
de los datos creando clases por su cuenta.], [traducido por Emerson Quispe]

Lo que Luckert y Schaefer quieren decir es que el aprendizaje supervisado tiene acceso a
entradas y salidas haciendo referencia a los algoritmos como valores de atributos de gran
cantidad de información como entrada llamadas metadatos y como salida las etiquetas
específicas de cada atributo de la clase. Por lo tanto, se conoce la estructura cada dato se va
convirtiendo en una información significante de manera automática.

Godoy (2017) nos da luces sobre lo que es el aprendizaje de maquina en la siguiente

definición:

[…] El aprendizaje de máquina es un área que estudia cómo construir programas de

computadoras que mejoren su desempeño en alguna tarea gracias a la experiencia. Ésta se basa
en las ideas de diversas disciplinas, como inteligencia artificial, estadística y probabilidad, teoría
de la información, psicología y neurobiología, teoría de control y complejidad computacional.
Para utilizar el abordaje de aprendizaje, se deben considerar una serie de decisiones que incluyen
la selección del tipo de entrenamiento, la función objetiva a ser aprendida, su representación y
el algoritmo para aprender esa función a partir de ejemplos de entrenamiento […] (p.23).

Lo que propone el autor líneas arriba es que el aprendizaje de maquina se centra

principalmente en la construcción de programas de computación que se de una mejora en el
desempeño en alguna en base a la experiencia. Esta práctica desencadena una serie de
disciplinas como la inteligencia artificial, la estadística y probabilidad que nacen de esta
herramienta

Por otra parte, Michalski, Carbonell y Mitchel (2015) nos dan la siguiente definición sobre el
aprendizajemaquina:
“machine learning is a many-faceted phenomenon learning processes include the acquisition of new
declarative knowledge, the development of motor and cognitive skills through instruction or
practice” (p.3). [el aprendizaje por maquina es un fenómeno multifacético. Los procesos de
aprendizaje incluyen la adquisición de nuevos conocimientos declarativos, el desarrollo de
habilidades motoras y cognitivas a través de la instrucción o la práctica.], [traducido por
Marcelo Sulluchuco].

Lo que nos quiere nos quiere a dar entender el autor es que el aprendizaje por maquina es
que a partir del uso del aprendizaje por maquina se pudo comprender que esta disciplina
tiene la facultad de no solo tener procesos de aprendizaje, sino que se extendió con la
adquisición de nuevos conocimientos el desarrollo de habilidades a través de la instrucción
o practica
Mouriño (2017) nos ilustra sobre el aprendizaje semi supervisado en el siguiente argumento.

[…] Los técnicos de aprendizaje semi supervisado se encuentran entre las dos anteriores. El
aprendizaje semi supervisado se basa en un conjunto de técnicas de aprendizaje supervisado que
también hacen uso de datos sin etiquetar durante la fase de entrenamiento. Típicamente, se hace
uso de una pequeña cantidad de datos etiquetados junto con una gran cantidad de datos sin
etiquetar […] (p.8).

Según lo que sugiere el autor es que el aprendizaje supervisado está en la intersección de las
dos técnicas del aprendizaje según machine learning, las utiliza para unirlas y mejorar el
aprendizaje. Por otro las incógnitas de los datos pueden ubicarse en solo lectura o en una
imagen, por ejemplo: el co-training o co-entrenamiento.

Por otra parte, Mey y Long (2019) nos indica el aprendizaje semi-supervisado en el siguiente
argumento.

[…] Studying and understanding SSL from a theoretical point of view allows us to exactly formulate the
assumptions we need and the improvements we can expect, as well as the limitations of said methods. With
this one can formulate recommendations for using SSL with the aim of avoiding a decrease in performance as
good as possible. In this review. we collect and present theoretical results concerning SSL […] (p.1). [Estudiar
y comprender SSL desde un punto de vista teórico nos permite formular exactamente los supuestos que
necesidad y las mejoras que podemos esperar, así como las limitaciones de dichos métodos. Con este se puede
formular recomendaciones para usar SSL con el objetivo de evitar una disminución del rendimiento lo mejor
posible. En esta revisión, Recopilamos y presentamos resultados teóricos sobre SSL]. [Traducido por Jorge
Seguil]

Lo que quiere decir los autores es que teóricamente analizar el semi viene de estudiar primero
el supervisado y el no supervisado que en consecuencias positivas traería a nuestro favor la
mejora en la precisión en la búsqueda de cifrado en protocolos de por ejemplo: el internet,
la seguridad de información, entre otros.
IV. CONCLUSIONES

En conclusión, el uso del aprendizaje supervisado en el sector de la educación es muy

importante ya que es una herramienta que dará un gran impulso en la búsqueda de
conocimientos haciendo que no solo los jóvenes puedan aprender en base a los objetivos que
se plantea las instituciones educativas, sino que también esta información se conservara para
que las siguientes generaciones tengan ese conocimiento al alcance de su mano.

En cuanto a las recomendaciones se puede decir que se debe buscar el uso de esta
herramienta en todo el sector educación ya que sería favorable para estas instituciones
,porque al tener un registro del avance del aprendizaje de los estudiantes se pueden tomar
mejores decisiones ,por otro lado también se puede corregir si los resultados que se obtienen
no cumplen con los objetivos que se tienen planteados desde el comienzo haciendo que la
enseñanza sea más precisa a lo que la institución educativa busca.

Así mismo predecimos, que si esta herramienta muestra grandes resultados se puede tomar
como ejemplo a seguir para los otros giros de negocio haciendo que estas se fortalezcan en
sus decisiones que tomen y haciendo que las empresas enfoquen sus servicios o procesos
para complacer las necesidades de los clientes, además de tomar decisiones para corregir
procesos innecesarios dando como resultado una inyección en los ingresos en las mismas.
IV. REFERENCIAS BIBLIOGRAFICAS

CARBONELL ,Jaime,MICHALSKY, Ryszard y MITCHELL,Tom. Machine Learning An

Artificial Intelligence Approach [en línea]. Estados Unidos: Morgan Kaufman Publishers,INC,
1998 [fecha de consulta: 25 de octubre de 2019]. Capítulo 1. Disponible en:
https://books.google.com.pe/books?id=Aw2jBQAAQBAJ&pg=PR5&dq=machine+learning&hl=es
&sa=X&ved=0ahUKEwiqn6K3uLHlAhVIMqwKHf1WCnsQ6AEIPTAD#v=onepage&q=machine
%20learning&f=false

GODOY, Angel. Tecnicas de aprendizaje de maquina utilizadas para la mineria de datos.

Revista Mexicana de Investigacion [en línea]. Enero-Abril 2017, n.° 71. [Fecha de consulta:
25 de octubre de 2019].

Disponible en:

http://www.scielo.org.mx/scielo.php?pid=S0187-
358X2017000100103&script=sci_arttext&tlng=en

ISSN: 2448-8321

LAUTARO, Ramos [et all]. Descubrimiento de conocimiento en Bases de Datos (Código

5109) del Grupo de Investigación en Bases de Datos, perteneciente al Departamento
Ingeniería en Sistemas de Información de la Universidad Tecnológica Nacional, Facultad
Regional Concepción del Uruguay [en línea]. [fecha de consulta 25 de octubre de 2019].

Disponible en: http://sedici.unlp.edu.ar/bitstream/handle/10915/77011/Documento_completo.pdf-

PDFA.pdf?sequence=1&isAllowed=y

LUCKERT, Michael y SHAEFER, Merits. Using Machine Learning Methods for Evaluating
the Quality of Technical Documents. Thesis (Computer Science). Suecia: Universidad de
Linneo, Computer Science, 2016. 102pp.

MOURIÑO, Marcos. Clasificación multilingüe de documentos utilizando machine learning

y la Wikipedia. Tesis (Doctoral en Escola Internacional de Doutoramento). España:
Universidad de Vigo, Escola Internacional de Doutoramento, 2017.130pp.

Disponible en: http://hdl.handle.net/11093/928

MEY, Alexander y LOOG, Marco, Improvability through semi-supervised Learning: A

surbey theoretical Results. Working Paper [En línea]. Agosto 2019. [Fecha de consulta: 29
de octubre de 2019].

Disponible en:http://arxiv.org/abs/1908.09574