Machine Learning: AI orientada al aprendizaje y entendimiento del consumidor

¿Qué es el Machine Learning?

Campo científico del ámbito de la inteligencia artificial que crea sistemas o software con la habilidad de aprender sin ser explícitamente o constantemente programados.

Es decir, de forma automática y sin la intervención del hombre.

Su aprendizaje se da en base a la cantidad de datos analizados a lo largo del tiempo. 

Para comenzar, Machine Learning es un campo de las ciencias de la computación que se encarga de “aprender” dado un conjunto de datos.

En otras palabras, se encarga de representar la estructura y generalizar comportamientos de los datos dados.

¿Cómo funciona?

Se dota de un algoritmo que analiza millones de datos, descubre patrones complejos en ellos y, a partir de estos, es capaz de predecir comportamientos futuros. 

En este contexto, «Learning» – aprender, no se trata de memorizar y recolectar datos.

Se trata de crear un modelo a partir de la información suministrada para poder generar conclusiones sobre ejemplares nunca antes vistos.

Elementos de un modelo en el contexto de ML:

• Entradas (input) del modelo:
  En ML también conocido como: Características, Atributos, Predictores, Entradas, Variables independientes, Dimensiones, etc.
• Resultados (output) del modelo: 
  En ML también conocido como: Objetivo, Respuesta, Salida, Variable dependiente, etc.
• Fila:
  (Incluye input y output) En Machine Learning también conocido como: Observación, Registro, etc.
• Etiquetas (labels):
  Los valores de la variable dependiente (en el contexto de aprendizaje supervisado que explicaremos más abajo).

¿Qué tipos de algoritmo de Machine Learning existen?

Supervisado

Esta rama del ML se encarga de los problemas que traen los datos con etiquetas. Por ejemplo, intentar clasificar los perros y los muffins de la imagén de arriba.

Este tipo de algoritmos buscan generalizar y predecir a partir de la información suministrada.

No supervisado

A falta de un nombre más creativo, esta rama del ML se encarga justamente del resto de los problemas, es decir, de los que no traen los datos con etiquetas.

Por ejemplo, dado un grupo de usuarios de una red social, agruparlos (clustering) en comunidades.

Este tipo de algoritmos buscan extraer estructura y encontrar patrones a partir de la información suministrada.

Adicionalmente, cada uno de estos tipos de ML se subdividen según el tipo de datos que manejan:

• Continuos:
  Información cuantitativa/numérica. Por ejemplo, predecir el precio de una casa.
• Discretos:
  Información cualitativa. Por ejemplo, predecir de qué equipo deportivo es hincha una persona.

Machine Learning VS Data Mining

El Data Mining puede recolectar datos de ventas y tendencias para tener información que permita planificar estrategias de marketing, ventas, finanzas y hasta inventario. 

También puede identificar nuevos leads recopilando información de perfiles sociales o páginas web para iniciar una campaña que mejore el alcance de la marca o predecir comportamientos de los mismos.

El Machine Learning, si bien tiene los mismos principios del Data Mining puede establecer relaciones automáticas y aprender de ellas para aplicar nuevos algoritmos.

Puede ayudar a proveer recomendaciones automáticas a compradores en tiempo real. 

Estos algoritmos están en constante mejora para que los resultados sean más precisos con el tiempo.

Son como un dream-team de datos. Trabajando para responder preguntas, probar hipótesis y, finalmente, ofrecer una mejor visión de cualquier mercado.

¿Y la ciencia de datos?

La ciencia de datos (data science) es la profesión que se encarga de extraer conocimiento a partir de datos (incluyendo big data).

Lo hace a través de varias herramientas de distintos campos, tales como la estadística, el procesamiento de imágenes, programación, y por supuesto, el Machine Learning, entre muchos otros más.