Algoritmos Machine Learning
La construcción de un modelo predictivo

La tarea de predicción ayuda a resolver la pregunta ¿Qué va a pasar en el futuro?

“La filosofía de predicción es muy simple: el futuro del pasado es el futuro del futuro.”

“Esta aseveración representa la filosofía de todos los algoritmos de los modelos predictivos. Puesto en otras palabras, se tiene que construir un modelo como parte de la predicción. Se toman atributos como entradas y se produce una predicción de interés como salida. El modelo se diseña con base en datos históricos y aquí es donde el futuro del pasado entra en acción. Un modelo es simplemente una representación de los datos históricos que pueden ser operacionalizados.”

Devavrat Shah - MIT
Director, Statistics and Data Science Center

Aprendizaje Supervisado: Preguntas y Respuestas

El aprendizaje supervisado se basa en el entrenamiento del algoritmo a través de un histórico de entradas (preguntas) y salidas (respuestas) con características definidas.

El aprendizaje supervisado se aplica principalmente a problemas de regresión y clasificación.

Regresión

Tiene como objetivo predecir una variable cuantitativa mediante la identificación de relaciones entre valores conocidos.

Un ejemplo de aplicación de este análisis es la predicción del clima basada en valores conocidos como patrones históricos y las condiciones actuales del tiempo.

Clasificación

Tiene como objetivo predecir variables cualitativas, o en otras palabras, clasificar una observación de acuerdo a su probabilidad de pertenecer a un grupo específico basándose en diferentes características y patrones.

Una aplicación es la clasificación de clientes con base en su historial crediticio (si realizan sus pagos puntualmente, si se encuentran en mora, el gasto promedio realizado, etc.).

Aprendizaje No Supervisado: Clasificación y Agrupación

El aprendizaje no supervisado busca la comprensión de grandes volúmenes de información que no tienen características definidas mediante algoritmos que los clasifican con base en patrones o grupos de manera iterativa sin ninguna intervención humana. El aprendizaje no supervisado se aplica comúnmente en problemas de clasificación.

Clasificación

A diferencia de la clasificación realizada en el aprendizaje no supervisado, los algoritmos no son entrenados con un set que contenga las clasificaciones correctas para que pueda utilizarlas como base para su aprendizaje. Como resultado, esta clasificación nos permite el descubrimiento de patrones y características desconocidas.

Un ejemplo es el agrupamiento de texto de redes sociales, en diferentes tipos de temas., identificando intereses, preferencias y características que permiten generar campañas de marketing o lanzar productos que se enfoquen en necesidades o perfiles de clientes que no estaban siendo atendidos.

Detección de Anomalías

El aprendizaje no supervisado también permite identificar anomalías en el ciclo de vida de los datos de usuarios, una tarea difícil de llevar a cabo por un ser humano, lo cual representa una poderosa herramienta para compañías especializadas en la prevención de fraude. Al identificar una inconsistencia en el patrón digital de comportamiento del usuario es posible disparar mecanismos de seguridad para frenar una actividad potencialmente fraudulenta o criminal.

Aprendizaje Reforzado: Basado en la experiencia

El aprendizaje reforzado no requiere de una gran cantidad de información debido a que el algoritmo es entrenado a través de la retroalimentación mediante señales que recibe de su entorno como resultado de sus acciones.  Se definen conjuntos de acciones posibles, así como reglas y resultados correspondientes – al aplicar acciones permitidas por las reglas establecidas el algoritmo se irá retroalimentado y adaptando hasta llegar al resultado óptimo.

Este tipo de aprendizaje es el más similar al que experimentamos los seres humanos, ya que se puede considerar como un aprendizaje de “prueba y error”.

Cuando un sistema recibe una retroalimentación positiva cada que se aproxima o logra un objetivo, este lo relaciona y aprende la serie de actividades o eventos que lo llevaron a ese resultado.

Por otro lado, si la retroalimentación es negativa, el sistema ajusta sus pasos para tomar una decisión que lo lleve a obtener una mayor recompensa la próxima vez, hasta que cumpla con su objetivo final.

Entre muchas aplicaciones, las grandes compañías han utilizado el aprendizaje por refuerzo para mapear movimientos de robots que les permitan caminar o realizar tareas domésticas, desarrollar herramientas de reconocimiento facial o programar sistemas que conduzcan vehículos de manera autónoma:

Algoritmos habituales:
Redes Neuronales Artificiales
Procesos de Decisión de Markov (MDP)
Q-Learning
Te guiamos paso a paso para implementar Machine Learning y optimizar los procesos de tu empresa.