0

Machine Learning es uno de los términos de moda en el sector de las tecnologías relacionadas con la inteligencia artificial. Se trata de la utilización de algoritmos que permiten a las máquinas aprender imitando la forma en que aprendemos los humanos. Dentro de Machine Learning encontramos dos tipos destacados, el Machine Learning supervisado y el Machine Learning no supervisado. A continuación, te explicamos las diferencias entre estos dos grandes grupos, sus características y para qué se utilizan.

Machine Learning supervisado

En esta modalidad se podría entender como algoritmos que “aprenden” de los datos introducidos por una persona. En este caso:

  • Se necesita la intervención humana para etiquetar, clasificar e introducir los datos en el algoritmo.
  • El algoritmo genera datos de salida esperados, ya que en la entrada han sido etiquetados y clasificados por alguien.
  • Existen dos tipos de datos que pueden ser introducidos en el algoritmo:
    • Clasificación: clasifican un objeto dentro de diversas clases. Por ejemplo, para determinar si un paciente está enfermo o si un correo electrónico es spam.
    • Regresión: predicen un valor numérico. Sería el caso de los precios de una casa al escoger diferentes opciones o la demanda de ocupación de un hotel.

 

  • Algunas aplicaciones prácticas de este tipo de Machine Learning:
    • La predicción de coste de un siniestro en el caso de las compañías de seguros.
    • La detección de fraude bancario por parte de entidades financieras.
    • La previsión de avería en la maquinaria de una compañía.

Machine Learning no supervisado

A diferencia del caso anterior, no existe la intervención humana en este tipo de Machine Learning. Aquí los algoritmos aprenden de datos con elementos no etiquetados buscando patrones o relaciones entre ellos. En este caso:

  • Se introducen datos de entrada sin etiquetar.
  • No necesita la intervención humana.
  • Existen dos tipos de algoritmos para Machine Learning no supervisado:
    • Clustering: clasifica en grupos los datos de salida. Es el caso de las segmentaciones de clientes según qué hayan comprado.
    • Asociación: descubre reglas dentro del conjunto de datos. Por ejemplo, aquellos clientes que compran un coche también contratan un seguro, por lo que el algoritmo detecta esta regla.
  • Existen otros casos prácticos en los que se utiliza este tipo de Machine Learning:
    • La segmentación del tipo de clientes en un banco.
    • La clasificación del tipo de pacientes en un hospital.
    • El sistema de recomendaciones de contenido según el consumo del usuario en plataformas de streaming de vídeo.

Machine learning use cases bismart

Un amplio abanico de opciones

Tanto Machine Learning supervisado como Machine Learning no supervisado cuentan con respuesta a diversos problemas que puedan surgir en toda clase de organizaciones. Las posibilidades de Machine Learning son muy amplias, y cada usuario puede estar interesado en un tipo, otro u ambos a la vez. Este tipo de inteligencia artificial es una tendencia al alza y que sin duda seguirá aportando soluciones para necesidades en negocios de todo tipo.

 

DEJANOS TU COMENTARIO

    Tags

    See all