{"id":57,"date":"2024-02-28T21:40:41","date_gmt":"2024-02-28T21:40:41","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/spanishwithchatgpt\/chapter\/ai-speak-machine-learning\/"},"modified":"2025-06-25T08:00:32","modified_gmt":"2025-06-25T08:00:32","slug":"ai-speak-machine-learning","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/IAparaprofesores\/chapter\/ai-speak-machine-learning\/","title":{"raw":"Habla de IA: aprendizaje autom\u00e1tico","rendered":"Habla de IA: aprendizaje autom\u00e1tico"},"content":{"raw":"

Un algoritmo<\/strong> es una secuencia fija de instrucciones para llevar a cabo una tarea. Descompone la tarea en pasos f\u00e1ciles y sin confusi\u00f3n, como una receta bien escrita.<\/p>\r\n

Los lenguajes de programaci\u00f3n son idiomas que una computadora puede seguir y ejecutar. Act\u00faan como un puente, entre lo que nosotros y una m\u00e1quina podemos entender. En \u00faltima instancia, son interruptores que se encienden y apagan. Para una computadora, im\u00e1genes, videos, instrucciones son todos 1s (interruptor encendido) y 0s (interruptor apagado).<\/p>\r\n

Cuando se escribe en un lenguaje de programaci\u00f3n, un algoritmo se convierte en un programa<\/strong>. Las aplicaciones<\/strong> son programas escritos para un usuario final.<\/p>\r\n

Los programas convencionales toman datos y siguen las instrucciones para dar una salida. Muchos de los primeros programas de IA eran convencionales. Dado que las instrucciones no pueden adaptarse a los datos, estos programas no eran muy buenos en aspectos como predecir bas\u00e1ndose en informaci\u00f3n incompleta y el Procesamiento del Lenguaje Natural (PLN).<\/p>\r\n\"\"\r\n\r\n \r\n\r\n \r\n\r\n \r\n\r\n \r\n\r\n \r\n\r\n \r\n\r\n \r\n\r\nDiagrama \u201cA Machine Learns\u201d [Diagrama]. En AI Speak: Machine Learning<\/em>, en AI for Teachers: an Open Textbook<\/em>, traducido al espa\u00f1ol por Rodriguez Enr\u00edquez. Licenciada bajo CC\u202fBY\u202f4.0. https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>\r\n\r\n \r\n

<\/a>Un motor de b\u00fasqueda est\u00e1 impulsado tanto por algoritmos convencionales como por algoritmos de aprendizaje autom\u00e1tico<\/strong>. A diferencia de los programas convencionales, los algoritmos de aprendizaje autom\u00e1tica (ML por sus siglas en ingl\u00e9s) analizan los datos en busca de patrones que utilizan tanto como reglas para tomar decisiones o efectuar predicciones. As\u00ed, bas\u00e1ndose en datos, en buenos y en malos ejemplos, encuentran su propia receta.<\/p>\r\n

Estos algoritmos son adecuados para situaciones con mucha complejidad y datos faltantes. Tambi\u00e9n pueden monitorear su propio rendimiento y usar esta retroalimentaci\u00f3n para mejorar.<\/p>\r\n

Esto no es muy diferente de los seres humanos, especialmente cuando vemos a los beb\u00e9s aprendiendo habilidades fuera del sistema educativo convencional. Los beb\u00e9s observan, repiten, aprenden, prueban su aprendizaje y mejoran. Donde es necesario, improvisan.<\/p>\r\n

Pero la similitud entre m\u00e1quinas y humanos es superficial. \"Aprender\" desde una perspectiva humana es diferente, y mucho m\u00e1s matizado y complejo que \"aprender\" para la m\u00e1quina.<\/p>\r\n \r\n\r\nhttps:\/\/youtu.be\/HlKZiKMaI74\r\n

Un problema de clasificaci\u00f3n<\/h3>\r\n[caption id=\"attachment_55\" align=\"alignright\" width=\"430\"]\"\" Aquarianinsight.com.<\/strong> (s.\u202ff.). Carta de Juego<\/em> [Imagen]. https:\/\/aquarianinsight.com\/free-readings\/<\/a>
Licencia: CC BY-SA 2.0. https:\/\/creativecommons.org\/licenses\/by-sa\/2.0\/<\/a>)[\/caption]\r\n

Una tarea com\u00fan que se utiliza una aplicaci\u00f3n de ML para realizar es la clasificaci\u00f3n: \u00bfes esta una foto de un perro o un gato? \u00bfEste estudiante est\u00e1 teniendo dificultades o pasar\u00e1 el examen? Hay dos o m\u00e1s grupos, y la aplicaci\u00f3n tiene que clasificar nuevos datos en uno de ellos.<\/p>\r\n

Tomemos el ejemplo de un paquete de cartas de jugar \u2013 grupo A y grupo B \u2013 dividido en dos montones y siguiendo alg\u00fan patr\u00f3n. Necesitamos clasificar una nueva carta, el as de diamantes, como perteneciente al grupo A o al grupo B.<\/p>\r\n

Primero, necesitamos entender c\u00f3mo se dividen los grupos, necesitamos ejemplos. Saquemos cuatro cartas del grupo A y cuatro del grupo B. Estos ocho casos de ejemplo forman nuestro conjunto de entrenamiento<\/strong> \u2013 datos que nos ayudan a ver el patr\u00f3n \u2013 \"entren\u00e1ndonos\" para ver el resultado.<\/p>\r\n

Tan pronto como se nos muestra la disposici\u00f3n a la derecha, la mayor\u00eda de nosotros adivinar\u00edamos que el as de diamantes pertenece al Grupo B. No necesitamos instrucciones, porque el cerebro humano es excelente encontrando patrones. \u00bfC\u00f3mo lo har\u00eda una m\u00e1quina?<\/p>\r\n

Los algoritmos de ML se basan en poderosas teor\u00edas estad\u00edsticas. Diferentes algoritmos se basan en diferentes ecuaciones matem\u00e1ticas que deben ser elegidas cuidadosamente para ajustarse a la tarea en cuesti\u00f3n. Es el trabajo del programador elegir los datos, analizar qu\u00e9 caracter\u00edsticas de los datos son relevantes para el problema particular y elegir el algoritmo de ML correcto.<\/p>\r\n\r\n

La importancia de los datos<\/h3>\r\n[caption id=\"attachment_54\" align=\"alignright\" width=\"420\"]\"\" aquarianinsight.com.<\/strong> (s.\u202ff.). Carta de Juego<\/em> [Imagen]. Recuperado de https:\/\/aquarianinsight.com\/free-readings\/<\/a>
Licencia: Creative Commons Atribuci\u00f3n-CompartirIgual 2.0 CC BY-SA 2.0. https:\/\/creativecommons.org\/licenses\/by-sa\/2.0\/<\/a>[\/caption]\r\n

La selecci\u00f3n de cartas anterior podr\u00eda haber sido err\u00f3nea de varias maneras. Por favor, refi\u00e9rete a la imagen. 1 tiene muy pocas cartas, no ser\u00eda posible adivinar. 2 tiene m\u00e1s cartas pero todas del mismo palo, no hay manera de saber d\u00f3nde ir\u00edan los diamantes. Si los grupos no fueran del mismo tama\u00f1o, 3 podr\u00eda muy bien significar que las cartas num\u00e9ricas est\u00e1n en el grupo A y las cartas con im\u00e1genes en el grupo B.<\/p>\r\n

Usualmente, los problemas de aprendizaje autom\u00e1tico son m\u00e1s abiertos e involucran conjuntos de datos mucho m\u00e1s grandes que un paquete de cartas. Los conjuntos de entrenamiento tienen que ser elegidos con la ayuda del an\u00e1lisis estad\u00edstico, o de lo contrario se introducen errores. Una buena selecci\u00f3n de datos es crucial para una buena aplicaci\u00f3n de ML, m\u00e1s aun que para otros tipos de programas. El aprendizaje autom\u00e1tico necesita una gran cantidad de datos relevantes. Como m\u00ednimo absoluto, un modelo b\u00e1sico de aprendizaje autom\u00e1tico deber\u00eda contener diez veces tantos puntos de datos como el n\u00famero total de caracter\u00edsticas1<\/sup>. Dicho esto, el ML tambi\u00e9n est\u00e1 particularmente equipado para manejar datos ruidosos, desordenados y contradictorios.<\/p>\r\n\r\n

Extracci\u00f3n de caracter\u00edsticas<\/h3>\r\n

Cuando anteriormente se muestran los ejemplos de los Grupos A y B, lo primero que podr\u00edas haber notado podr\u00eda ser el color de las cartas. Luego el n\u00famero o letra y el palo. Para un algoritmo, todas estas caracter\u00edsticas tienen que ser ingresadas espec\u00edficamente. No puede saber autom\u00e1ticamente qu\u00e9 es importante para el problema.<\/p>\r\n\r\n\r\n[caption id=\"attachment_438\" align=\"aligncenter\" width=\"291\"]\"\" Imagen Una m\u00e1quina aprende. En AI Speak: Machine Learning, en AI for Teachers: an Open Textbook, traducido al espa\u00f1ol por Rodriguez Enr\u00edquez. Licenciada bajo CC\u202fBY\u202f4.0. https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>[\/caption]\r\n\r\nAl seleccionar las caracter\u00edsticas de inter\u00e9s, los programadores tienen que hacerse muchas preguntas. <\/span>\u00bfCu\u00e1ntas caracter\u00edsticas son demasiado pocas para ser \u00fatiles? \u00bfCu\u00e1ntas caracter\u00edsticas son demasiadas? \u00bfQu\u00e9 caracter\u00edsticas son relevantes para la tarea? \u00bfCu\u00e1l es la relaci\u00f3n entre las caracter\u00edsticas elegidas, es una caracter\u00edstica dependiente de la otra? Con las caracter\u00edsticas elegidas, \u00bfes posible que la salida sea precisa?<\/em>\r\n\r\nhttps:\/\/youtu.be\/yHZhQI8afG4\r\n

El proceso<\/h3>\r\n
\r\n

\u00bfLos datos siempre \u00a0 \u00a0 \u00a0 <\/strong>\u00a0tienen que \u00a0 estar \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0etiquetados?<\/strong><\/p>\r\n\r\n<\/header>\r\n

Lee aqu\u00ed<\/a><\/div>\r\n<\/div>\r\n

Cuando el programador est\u00e1 creando la aplicaci\u00f3n, toma datos, extrae caracter\u00edsticas de ellos, elige un algoritmo de aprendizaje autom\u00e1tico apropiado (funci\u00f3n matem\u00e1tica que define el proceso), y lo entrena usando datos etiquetados (en el caso de que el resultado sea conocido, como el grupo A o B) para que la m\u00e1quina entienda<\/em> el patr\u00f3n detr\u00e1s del problema.<\/p>\r\n

Para una m\u00e1quina, entender<\/em> toma la forma de un conjunto de n\u00fameros \u2013pesos\u2013 que asigna a cada caracter\u00edstica. Con la asignaci\u00f3n correcta de pesos, puede calcular la probabilidad de que una nueva carta est\u00e9 en el grupo A o B. T\u00edpicamente, durante la etapa de entrenamiento, el programador ayuda a la m\u00e1quina cambiando manualmente algunos valores. Esto se denomina ajustar<\/strong> la aplicaci\u00f3n.<\/p>\r\n

Una vez hecho esto, el programa tiene que ser probado antes de ser puesto en uso. Para ello, los datos etiquetados que no se usaron para el entrenamiento se le dar\u00edan al programa. Esto se llama el conjunto de prueba<\/strong>. El rendimiento de la m\u00e1quina en predecir la salida se medir\u00eda entonces. Una vez determinado como satisfactorio, el programa puede ser puesto en uso: est\u00e1 listo para tomar nuevos datos y tomar una decisi\u00f3n o predicci\u00f3n basada en estos datos.<\/p>\r\n\r\n\r\n[caption id=\"attachment_440\" align=\"aligncenter\" width=\"263\"]\"\" Imagen entrena, prueba y usa. En AI Speak: Machine Learning, en AI for Teachers: an Open Textbook, traducido al espa\u00f1ol por Rodriguez Enr\u00edquez. Licenciada bajo CC\u202fBY\u202f4.0. https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>[\/caption]\r\n

\u00bfPuede un modelo funcionar de manera diferente en conjuntos de datos de entrenamiento y de prueba? \u00bfC\u00f3mo afecta el n\u00famero de caracter\u00edsticas al rendimiento en ambos? Mira este video<\/a> para descubrirlo.<\/p>\r\n

El rendimiento en tiempo real se monitorea y mejora continuamente (los pesos de las caracter\u00edsticas se ajustan para obtener una mejor salida). A menudo, el rendimiento en tiempo real da resultados diferentes que cuando el ML se prueba con datos ya disponibles. Dado que experimentar con usuarios reales es costoso, requiere mucho esfuerzo y a menudo es arriesgado, los algoritmos siempre se prueban usando datos hist\u00f3ricos de usuarios, que pueden no ser capaces de evaluar el impacto en el comportamiento del usuario1<\/sup>. Por eso es importante hacer una evaluaci\u00f3n exhaustiva de las aplicaciones de aprendizaje autom\u00e1tico, una vez en uso:<\/p>\r\nhttps:\/\/youtu.be\/8qaE2_u-XXo\r\n

\u00bfTe interesa hacer algo de aprendizaje autom\u00e1tico pr\u00e1ctico? Prueba esta actividad.<\/a><\/p>\r\n\r\n\r\n

\r\n

1 Theobald, O.<\/strong> (2021). Machine learning for absolute beginners: A plain English introduction<\/em> (2\u00aa ed., p.\u202f24) [Kindle edition]. Scatterplot Press. Disponible en PDF gratuito: https:\/\/mrce.in\/ebooks\/Machine%20Learning%20for%20Absolute%20Beginners.pdf<\/a><\/span><\/sup><\/p>\r\n

2 Konstan, J. A., & Terveen, L. G.<\/strong> (2021). Human\u2011centered recommender systems: Origins, advances, challenges, and opportunities. AI Magazine, 42<\/em>(3), 31\u201342. https:\/\/doi.org\/10.1609\/aimag.v42i3.18142<\/a><\/sup><\/p>","rendered":"

Un algoritmo<\/strong> es una secuencia fija de instrucciones para llevar a cabo una tarea. Descompone la tarea en pasos f\u00e1ciles y sin confusi\u00f3n, como una receta bien escrita.<\/p>\n

Los lenguajes de programaci\u00f3n son idiomas que una computadora puede seguir y ejecutar. Act\u00faan como un puente, entre lo que nosotros y una m\u00e1quina podemos entender. En \u00faltima instancia, son interruptores que se encienden y apagan. Para una computadora, im\u00e1genes, videos, instrucciones son todos 1s (interruptor encendido) y 0s (interruptor apagado).<\/p>\n

Cuando se escribe en un lenguaje de programaci\u00f3n, un algoritmo se convierte en un programa<\/strong>. Las aplicaciones<\/strong> son programas escritos para un usuario final.<\/p>\n

Los programas convencionales toman datos y siguen las instrucciones para dar una salida. Muchos de los primeros programas de IA eran convencionales. Dado que las instrucciones no pueden adaptarse a los datos, estos programas no eran muy buenos en aspectos como predecir bas\u00e1ndose en informaci\u00f3n incompleta y el Procesamiento del Lenguaje Natural (PLN).<\/p>\n

\"\"<\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

 <\/p>\n

Diagrama \u201cA Machine Learns\u201d [Diagrama]. En AI Speak: Machine Learning<\/em>, en AI for Teachers: an Open Textbook<\/em>, traducido al espa\u00f1ol por Rodriguez Enr\u00edquez. Licenciada bajo CC\u202fBY\u202f4.0. https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a><\/p>\n

 <\/p>\n

<\/a>Un motor de b\u00fasqueda est\u00e1 impulsado tanto por algoritmos convencionales como por algoritmos de aprendizaje autom\u00e1tico<\/strong>. A diferencia de los programas convencionales, los algoritmos de aprendizaje autom\u00e1tica (ML por sus siglas en ingl\u00e9s) analizan los datos en busca de patrones que utilizan tanto como reglas para tomar decisiones o efectuar predicciones. As\u00ed, bas\u00e1ndose en datos, en buenos y en malos ejemplos, encuentran su propia receta.<\/p>\n

Estos algoritmos son adecuados para situaciones con mucha complejidad y datos faltantes. Tambi\u00e9n pueden monitorear su propio rendimiento y usar esta retroalimentaci\u00f3n para mejorar.<\/p>\n

Esto no es muy diferente de los seres humanos, especialmente cuando vemos a los beb\u00e9s aprendiendo habilidades fuera del sistema educativo convencional. Los beb\u00e9s observan, repiten, aprenden, prueban su aprendizaje y mejoran. Donde es necesario, improvisan.<\/p>\n

Pero la similitud entre m\u00e1quinas y humanos es superficial. \u00abAprender\u00bb desde una perspectiva humana es diferente, y mucho m\u00e1s matizado y complejo que \u00abaprender\u00bb para la m\u00e1quina.<\/p>\n

 <\/p>\n