El machine learning propone básicamente dos tipos de aprendizajes: el aprendizaje supervisado y el aprendizaje no supervisado. En este artículo, hablaremos sobre el aprendizaje supervisado.
Es una metodología de aprendizaje altamente valorada por las empresas, ya que les permite a los sistemas de inteligencia artificial tomar decisiones empresariales de manera más rápida, precisa y, por tanto, confiables.
Supone un avance importante para reducir costos y mejorar las soluciones. Aunque eso sí, implementar sistemas que realmente den resultados útiles por aprendizaje automático es una labor ardua.
Definición de aprendizaje supervisado
El aprendizaje supervisado es un subconjunto del machine learning que consiste en la deducción de información a partir de datos de entrenamiento. Estos datos se clasifican en dos secciones: datos de entrenamiento y datos de prueba.
Los datos de entrenamiento se utilizan, valga la redundancia, para entrenar a un modelo, y los datos de prueba son los que se usan para determinar la eficacia del modelo creado.
El objetivo del aprendizaje supervisado es crear un programa que sea capaz de resolver cualquier nueva variable de entrada luego de ser sometido a un proceso de entrenamiento, siempre y cuando la nueva variable exista en el mismo contexto de los datos de entrenamiento originales. En pocas palabras, es aquel método que se refiere a la generación de modelos para predecir resultados basándose en ejemplos históricos de dichas variables.
Tipos de aprendizaje supervisado
Existen 2 tipos de aprendizaje supervisado: clasificación y regresión.
Aprendizaje supervisado por clasificación: Consiste en que el algoritmo trata de etiquetar a los datos ingresados eligiendo entre 2 o más clases. Utiliza la información aprendida de los datos de entrenamiento para decidir la etiqueta correcta para cada nuevo caso.
Aprendizaje supervisado por regresión: Es el entrenamiento de un algoritmo para predecir un resultado a partir de un rango de valores posibles. Predice un valor dentro de todo el espectro de los números reales basándose en entradas pasadas. El algoritmo de Blue Raptor pertenece a esta categoría.
Ejemplo de aprendizaje supervisado
A continuación, veamos un ejemplo simple sobre el aprendizaje supervisado por clasificación. Supongamos que tenemos varios cientos o miles de imágenes de gatos, perros y pollos. El primer paso es asegurarnos que sólo tengamos esos 3 tipos de imágenes y no haya nada que ensucie la muestra.
El segundo paso es etiquetar o categorizar las imágenes, es decir, pasárselas al sistema u algoritmo que vamos a entrenar, haciéndole saber a qué corresponde cada imagen. ¿Por qué sabe el programa en primera instancia a qué corresponde cada foto del set de entrenamiento? Porque hubo uno o varios humanos que se tomaron el trabajo de clasificarlas.
El tercer paso es ejecutar la fase de entrenamiento del algoritmo, de manera que éste establezca las reglas internas que le permitan asociar una imagen recibida con alguna de estas 3 categorías.
El cuarto paso es evaluar nuestro programa. Para ello, debemos utilizar datos de prueba, es decir, otro ser de imágenes de gatos, perros y pollos para ver con qué probablididad es capaz de clasificar correctamente.
Si los resultados son satisfactorios, la herramienta está lista. Sin embargo, es muy importante destacar que en la práctica se requiere revisar los resultados cada cierto tiempo y evaluar la necesidad de reentrenar el algoritmo.
