Hoy en día disponemos de la tecnología necesaria para poder aplicar técnicas estadísticas y algoritmos a grandes volúmenes de datos y hacerlo en tiempo real. Estos modelos que tienen la capacidad de entender y responder de una manera automática a la información son los conocidos como machine learning.

¿Qué es Machine Learning?

De una manera muy superficial, podemos definir por tanto el machine learning como un tipo de Inteligencia Artificial que desarrolla técnicas que permiten a máquinas tomar decisiones. Aprenden gracias a encontrar patrones en los datos y predecir situaciones posteriores.
Es un campo realmente amplio y que está en constante evolución y podemos diferenciar entre:

Aprendizaje supervisado: Estos algoritmos parten de la base de un conocimiento previo sobre el cual se basa para tomar decisiones. Algunos de los algoritmos más importantes son:

·    Regresión Lineal
·    Regresión Logística
·    Clasificación de Naïve Bayes
·    Redes Neuronales
·    SVMs (Support Vector Machines)

Aprendizaje no supervisado: En el no supervisado por el contrario, no disponemos de un conocimiento previo acerca de los datos y tratamos de buscar una estructura o patrón. Algunos de los algoritmos más importantes son:

·    K-means
·    PCA (Principal component analysis)
·    Algoritmos de Clustering
·    Análisis de Componentes Principales
·    Análisis de Componentes Independientes

Aplicaciones del Machine Learning

Podemos hablar de tantas aplicaciones y situaciones como queramos imaginar, hay sectores donde puede resultar clave para la toma de decisiones como puede ser en medicina, donde decidir si realizar una operación o no a un paciente o en el mundo de los negocios conocer en qué fechas es mejor bajar los precios o estimar ventas.

Más aplicaciones….motores de búsqueda, reconocimiento del habla, del lenguaje o robótica. Más ejemplos que vemos o veremos en nuestro día a día pueden ser:

• Detección de rostro. Lo vemos en nuestros móviles.
• Anti-spam. Mediante el uso de tags.
• Anti-virus. Detectando software malicioso.
• Genética. En la clasificación de secuencias de ADN.
• Forecast. De clima o tráfico.
• Comprensión de textos.
• Vehículos autónomos y robots.
• Análisis de imágenes de alta calidad.
• Análisis de comportamiento de consumo y productividad. Para la identificación de clientes potenciales y en general en sectores de telco, banca, seguros…

El mundo del Machine Learning cubre un gran campo dentro del universo Big Data y es cada vez más relevante. El número de técnicas y algoritmos es muy extenso y sigue evolucionando. Las aplicaciones, son inimaginables.

No obstante, no es un tema de futuro, la introducción de estas técnicas de Machine Learning en la fase de toma de decisiones estratégicas son prácticamente una obligación hoy en día.

REFERENCIAS BIBLIOGRÁFICAS

• Manuel Zaforas, (2016), Machine Learning, la forma de hacer Big Data inteligente. 18 de abril 2016. https://www.paradigmadigital.com/dev/machine-learning-la-forma-big-data-inteligente/

• Virginia Frías García, (2016), ¿Qué es Machine Learning y qué aplicaciones tiene en nuestro día a día?. 19 de mayo 2016. http://www.intelygenz.es/que-es-machine-learning-y-que-aplicaciones-tiene-dia-a-dia/