Hasta dnde ha llegado el aprendizaje de mquinas hoy?

Qu diferencia hay con lo que

aparece en los libros de aprendizaje de mquinas o reconocimiento de patrones? Por qu son
diferentes?

por: Diego Alejandro Posada Llano

El objetivo del aprendizaje de mquinas es automatizas algunas partes del mtodo cientfico
mediante mtodos matemticos.

Hasta dnde ha llegado el aprendizaje de mquinas hoy?

Gracias a estudios en dcadas pasadas el aprendizaje automtico (machine learning) impuls la

llegada de los autos sin conductor, el reconocimiento de voz, un mejor entendimiento del genoma
humano, entre otros avances. En 2017, ser clave para desmitificar a big data.

La adaptacin del aprendizaje automtico a las plataformas de datos ms populares, como SQL y
NoSQL adems de la informacin no estructurada ser algo ms comn, visible y amigable para el
usuario. Esto impulsar que ciertas cargas de trabajo se muden a nubes fuera de las instalaciones,
conforme buscan sistemas con mejor desempeo y a la medida.

En el mbito de la ingeniera de sistemas y el desarrollo de software tambin provocara grandes

impactos, aunque los procesadores especializados pueden hacer una gran diferencia en el
desempeo y costo total de propiedad, muchos desarrolladores, administradores de sistemas y
usuarios finales no tienen conocimientos para utilizarlos o no pueden costearlos. De otra forma,
las plataformas de nube pueden ofrecer herramientas de programacin y de administracin de
sistemas que eliminen la complejidad y hagan que estas tecnologas tengan mejor disponibilidad
para comprarse y programarse.

Nota: En el paralelo que se mostrara posteriormente en la seccin de aplicaciones se puede

evidenciar el alcance que ha logrado desarrollar la disciplina del aprendizaje de mquina, adems
en la conclusin tambin se describen algunas otras aplicaciones que vienen siendo desarrolladas
desde dcadas anteriores y hoy evolucionan a pasos agigantados.

Qu diferencia hay con lo que aparece en los libros de aprendizaje de mquinas o

reconocimiento de patrones?
 Tpico Antes
Reconocimiento de
patrones, toma de
Aplicaciones decisiones basado en
autmatas o mquinas de financieros, anlisis del mercado de valores,
estados y anlisis de datos.
Ej.Deep Blue Vence a
Kasparov en una partida
(1997).
Interdisciplinariedad Aun no estaban muy
consolidadas las
neurociencias y
nanotecnologa.
Aprendizaje a travs de: Lenguaje, recoleccin de Lenguaje Natural Lenguaje escrito
informacin.
Ej. Darpa Grand Challenge
(2005)
Lenguaje de programacin C++, Delphi
Optimizacin Controlado por un humano
en diferentes situaciones,
recoleccin de informacin Representacin de la funcin objetivo, Conjunto
con todos los sensores para
el entrenamiento. Inician
los esfuerzos por mejorar el
aprendizaje de mquina.
Patrones y Generalizacin Mtodos Kernel Aprendizaje supervisado
Tcnicas representativas Computacionales Puros
Arboles de decisin -
Clasificacin del vecino
ms cercano -
Agrupamiento basado en
teora
de grafos - Reglas de
asociacin.
Hoy
Ha aumentado la amplia gama de aplicaciones,
incluyendo motores de bsqueda, diagnsticos
mdicos, deteccin de fraude con instrumentos
clasificacin de secuencias de ADN,
Reconocimiento del habla y del lenguaje escrito,
reconocimiento de lenguaje natural PLN
Se vincula con conocimientos de neurociencia y
nanotecnologa.
Ej: OCR para romper captchas.
Python( Empresa privada)
Matlab (Educacin)
Octave (Open Source)
Reduccin de falsos positivos, Reduccin de
tiempos de entrenamiento. Retroalimentacin,
de entrenamiento, Estimacin de valores de
entrenamiento, Error de entrenamiento
Aprendizaje no supervisado
Aprendizaje semi-supervisado
Aprendizaje activo (con refuerzo)
Aprendizaje en lnea
Computacionales Puros
Arboles de decisin - Clasificacin del vecino
ms cercano - Agrupamiento basado en teora
de grafos - Reglas de asociacin.
Estadsticos
Regresin multivariada - Discriminacin lineal
Teora de la decisin Bayesiana - Redes
Bayesiana - K-means
 Estadsticos
Regresin multivariada - Computacionales Estadsticos
Discriminacin lineal SVM AdaBoost
Teora de la decisin
Bayesiana - Redes Bio-Inspirados
Bayesiana - K-means Redes Neuronales Algoritmos genticos
Sistemas inmunolgicos artificiales.

Por qu son diferentes?

En teora no hay muchas diferencias ya que las bases para el reconocimiento de patrones y
aprendizaje de mquinas est fundamentado en la algoritmia y el anlisis de datos. Lo que si
cambia cada da es su precisin, ya que con los avances tecnolgicos cada da existen mejores
dispositivos, mejores algoritmos que se adaptan aprenden en el medio y logran obtener el
resultado esperado de forma mas eficiente evitando los falsos positivos.

Tambin las aplicaciones son diferentes y mas complejas gracias a la aparicin de la

nanotecnologa y dems disciplinas; el aprendizaje de maquina se aplica en motores de bsqueda,
diagnsticos mdicos, deteccin de fraude con instrumentos financieros, anlisis del mercado de
valores, clasificacin de secuencias de ADN, Reconocimiento del habla y del lenguaje escrito,
reconocimiento de lenguaje natural PLN y ahora con la internet de las cosas que nos deparara
en un futuro cercano?

Conclusin

Basado en informacin obtenida de Gartner, se identifica que para el 2016 el aprendizaje

avanzado de las mquinas en base a las llamadas redes neuronales profundas (deep neural nets o
DNNs), sistemas que pueden aprender de forma autnoma para entender el mundo. Posibilitan el
autoaprendizaje de todas las caractersticas de su entorno. Las organizaciones deberian evaluar
cmo aplicar estas tecnologas para ganar ventaja competitiva.

Los algoritmos definirn el futuro de la empresa. En una empresa algortmica, la mayor parte de lo
que sucede se producir en el trasfondo de la empresa, a travs de mquinas inteligentes, sin que
las personas estn directamente implicadas. Hemos evolucionado a un mundo post-app, con
agentes inteligentes proporcionando dinmicamente interfaces y realizando acciones contextuales
como, por ejemplo, lo que Gartner llama asistentes personales virtuales (virtual personal
assistants o VPAs).

Estos algoritmos, llamados "Deep learning", provienen de la Inteligencia Artificial (IA) de los aos
80, pero es ahora con la vasta de red de comunicaciones y la enorme cantidad de datos de los que
se dispone que se les est sacando todo su potencial y que est haciendo evolucionar
rpidamente un amplio rango de servicios online, como el reconocimiento del habla en el
telfono, la traduccin instantnea en Skype, el reconocimiento de caras en las imgenes que se
suben a la red, las recomendaciones de cosas que nos pueden gustar o amigos que podemos
hacer, al fin y al cabo campos tradicionales de la IA -reconocimiento de voz, reconocimiento de
imgenes, textos- y a la robtica, todo esto ha sido logrado gracias al aprendizaje de mquina.

Bibliografa

- Toby Segaran, Programming Collective Intelligence

- Joel Grus, Data Science from Scratch First Principles with Python

- Mitchell, T. M. 1997 Machine Learning. 1st. McGraw-Hill Higher Education. (Capitulo 1)

- Alpaydin, E. 2004 Introduction to Machine Learning (Adaptive Computation and Machine

Learning). The MIT Press. (Capitulo 1,2)

- El aprendizaje de las mquinas: de lo digital al algoritmo, CONSULTADO: Enero 30 de 2016,

DISPONIBLE EN: http://www.ittrendsinstitute.org/perspectives/item/el-aprendizaje-de-
las-maquinas