Modelos de machine learning: ¡conócelos todos!

El machine learning es lo que permite muchas de las acciones que hoy nos parecen rutinarias: que Amazon te recomiende productos similares a tus anteriores compras, que TikTok te sugiera vídeos de temáticas en las que te has interesado antes o que ChatGPT hable contigo como si fuera humano. Pero, ¿te has parado a pensar en los mecanismos informáticos que lo hacen posible? Acompáñanos a un viaje por el backstage del aprendizaje automático, donde lo descubrirás todo sobre el motor detrás de estos avances: los modelos de machine learning. ¡Vamos!

¿Qué es un modelo de machine learning?

Un modelo de machine learning es un programa informático que utiliza un conjunto de reglas para predecir, clasificar o decidir por sí mismo. Estas reglas son los algoritmos del machine learning y existen muchas clases distintas. En función de la tarea que queramos que realice nuestro modelo de aprendizaje automático, deberemos escoger uno u otro.

Otro punto importante para el funcionamiento de estos modelos de ML es el suministro de información. Lo que hace que estos sistemas sean tan revolucionarios es que se adiestran para ser cada vez más eficientes. Y es que, como su nombre indica, es una máquina capaz de aprender. Pero, ¿cómo se entrena a un modelo de machine learning? Pues ofreciéndole un gran volumen de datos que le permita reconocer los patrones que usará como base para enfrentarse a información nueva.

Tipos de modelos de machine learning

Si quieres especializarte en machine learning, es fundamental que aprendas las clases de modelos de ML que existen. Como hemos indicado, cada uno es adecuado para un uso diferente. ¡Vamos a verlo!

1. Aprendizaje supervisado

En los sistemas de aprendizaje supervisado, los modelos de machine learning se entrenan con datos etiquetados. Por ejemplo, pongamos que quieres un modelo que te diga la raza del gato que aparece en una imagen. Los inputs (datos con los que se entrena al modelo) tendrían que ser muchas fotografías de gatos, cada una etiquetada con su raza. De este modo, el sistema aprendería a relacionar la información y sería capaz de ofrecer outputs (el resultado tras procesar un nuevo input o foto) correctos.

Este reconocimiento de imágenes es uno de los usos más típicos del modelo de aprendizaje supervisado, aunque también se emplea para realizar predicciones, valorar riesgos y detectar fraudes. Los subtipos principales de este sistema son:

Modelo	¿Para qué sirve?	Ejemplo	Algoritmos
Regresión	Predicción de valores numéricos	Imagina que quieres saber cuánta lluvia puede caer mañana: tendrías que alimentar al modelo con información sobre el histórico de precipitaciones y otros parámetros climatológicos, y el sistema buscaría relaciones útiles para sus predicciones. Por ejemplo, a mayor humedad, más probable es que llueva. Una predicción u output podría ser 10 mm de lluvia esperada.	Regresión lineal, bosque aleatorio o gradient boosting
Clasificación	Clasificación por categorías	Para diferenciar si en una foto sale un gato o un perro. Cada input con el que se nutriría el modelo llevaría su etiqueta “gato” o “perro” y el sistema sería capaz de devolver la categoría adecuada en nuevas fotografías.	Regresión logística, los vecinos más próximos, las máquinas de vectores de soporte (SVM), los clasificadores Naïve Bayes o el algoritmo de árbol de decisiones

2. Aprendizaje no supervisado

Otro de los modelos de aprendizaje automático es el aprendizaje no supervisado. Su principal característica es que trabaja con datos sin etiquetar, por lo que no hay nada de base que le diga cuáles son las asociaciones correctas.

Es muy útil cuando se quieren encontrar tendencias, patrones o relaciones entre datos distintos. Por ejemplo, las recomendaciones de compra que te hace una plataforma de venta online. Los subtipos en este caso serían los siguientes:

Modelo	¿Para qué sirve?	Ejemplo	Algoritmos
Clustering	Para agrupar datos similares o detectar anomalías	Segmentar a los clientes de una tienda online según sus hábitos de consumo	K-Means, DBSCAN, Jerárquico, GMM
Reducción de dimensionalidad	Reduce el número de variables de los datos para quedarse con la información esencial y facilitar su análisis	Simplificar los resultados de una encuesta muy amplia, reduciéndola a los puntos más importantes	PCA, t-SNE, UMAP, Autoencoders

3. Aprendizaje por refuerzo

El aprendizaje por refuerzo es uno de los modelos de ML más fascinantes. En este caso, su progreso no se apoya en un conjunto de datos, sino en sus propias acciones, ¡como las personas!

Funciona así: el agente (un robot, un algoritmo, un sistema de recomendación...) interactúa con un entorno y decide una acción. Si la acción es correcta, recibe una recompensa. Si falla, recibe un castigo. De esta forma, se refuerzan cada vez más las acciones acertadas y el modelo va ganando en efectividad.

La recompensa o penalización es un valor numérico, positivo o negativo, que el sistema sabe interpretar. ¿Y el entorno? ¡Puede ser cualquier cosa! Desde el nivel de un videojuego (se utiliza mucho en la industria gamer) hasta una fábrica en la que se le intenta enseñar tareas a un robot. Algunos de sus algoritmos más frecuentes son: Q-Learning, SARSA, Deep Q-Networks (DQN), Policy Gradient y Actor-Critic.

4. Modelos basados en redes neuronales

Las redes neuronales no son una clase más de aprendizaje, sino un modelo que puede aplicarse en distintos sistemas de aprendizaje automático (como el supervisado o el no supervisado).

Su funcionamiento se basa en una red de nodos conectados como las neuronas de nuestro cerebro. Al tener esta estructura, pueden procesar la información en tareas complejas como la creación de imágenes o la traducción automática, y, por supuesto, son una pieza clave de los chatbots y los asistentes inteligentes.

¡Ponte a la vanguardia de las nuevas tecnologías!

Las técnicas de ML son una parte indiscutible tanto del presente como del futuro de las nuevas tecnologías. Por eso, en Tokio School te ofrecemos una Especialización en Machine Learning apoyada en uno de sus lenguajes más utilizados, Python.

Como alumno, disfrutarás de una formación 100% flexible y de hasta 300 horas de prácticas profesionales. Además, podrás prepararte para conseguir la Certificación PCAP y realizar un curso gratuito de Scrum Manager. ¡Infórmate sin compromiso!