Capítulo 4: El Aprendizaje Automático (Machine Learning)
Supervisado, no supervisado y por refuerzo
El Machine Learning representa el cambio de paradigma fundamental: en lugar de programar reglas explícitamente, dejamos que los sistemas descubran patrones a partir de los datos.
El capítulo cubre los tres paradigmas principales: el aprendizaje supervisado (aprender con ejemplos etiquetados), el no supervisado (encontrar patrones ocultos sin etiquetas) y el aprendizaje por refuerzo (aprender por prueba y error, como un niño que aprende a caminar).
También introduce subdominios avanzados: el Deep Learning como capas anidadas que extraen características cada vez más complejas, los Grandes Modelos de Lenguaje (LLMs) que aprenden patrones estadísticos de miles de millones de palabras, y el Procesamiento de Lenguaje Natural (NLP) que hace posible la conversación humano-máquina.
Conceptos clave
Conceptos clave
- Aprendizaje supervisado: El modelo aprende de ejemplos etiquetados. Se divide en clasificación y regresión.
- Aprendizaje no supervisado: Encontrar estructura en datos sin etiquetas (clustering, reducción de dimensionalidad).
- Aprendizaje por refuerzo: Aprender mediante recompensas y penalizaciones, como un videojuego.
- Deep Learning: Redes con múltiples capas que extraen características complejas de datos crudos.
- LLMs y NLP: Los modelos que dominaron el lenguaje y hacen posible la conversación con máquinas.