Aprendizaje automático
Rama de la IA en la que un sistema aprende a hacer una tarea a partir de ejemplos, en lugar de seguir reglas escritas una a una por un programador.
Explicado fácil
En la programación tradicional, tú escribes las reglas y la máquina las aplica. En el aprendizaje automático, le das a la máquina muchos ejemplos y es ella la que descubre las reglas. En lugar de explicarle cómo es un gato, le enseñas miles de fotos de gatos y de no-gatos hasta que aprende a distinguirlos.
Una analogía
Es como aprender a montar en bicicleta. Nadie te da una fórmula con ángulos y velocidades: practicas, te caes, corriges, y tu cerebro ajusta el equilibrio. El modelo hace algo parecido, pero ajustando números en lugar de músculos.
Un ejemplo
Un filtro de spam. Nadie escribió una regla para cada correo basura posible. Se le mostraron millones de correos marcados como “spam” o “no spam” y el sistema aprendió qué rasgos suelen acompañar a cada categoría.
Cómo funciona (nivel técnico)
Se define un modelo con parámetros ajustables, una función de pérdida que mide cuánto se equivoca y un algoritmo de optimización (normalmente descenso del gradiente) que modifica los parámetros para reducir el error sobre los datos de entrenamiento. El objetivo real es la generalización: funcionar bien con datos que el modelo no ha visto nunca.
Errores comunes
- Pensar que más datos siempre significa mejor modelo. Importa más la calidad y la representatividad que la cantidad.
- Olvidar que el modelo solo aprende lo que está en los datos, incluidos sus sesgos.
- Confundir aprendizaje con memorización: si solo memoriza, estamos ante sobreajuste.