¿Qué es Machine Learning y por qué este es el mejor momento para aprenderlo?

Introducción a Machine Learning

Machine Learning (ML o Aprendizaje Automático) es una de las tecnologías más impactantes que han (re)surgido en los últimos 10 años. Impulsada principalmente por el crecimiento exponencial de los datos producidos por las personas que hacen uso de muchas tecnologías relacionadas con internet y, más recientemente, por objetos que interactúan con nuestro entorno (el Internet de las Cosas) los cuales constantemente están recopilando y enviando datos a centros masivos de almacenamiento, que cabe destacar, han sido una parte fundamental en la expansión que ha tenido ML en años recientes. Después de todo, hoy en día disponemos de suficiente poder de cómputo a un precio accesible para extraer patrones de conjuntos masivos de datos (Big Data) y obtener valiosa información de los mismos.

Simplificando las cosas, podemos decir que ML es un término que hace referencia a un conjunto de algoritmos que aprenden usando datos pasados para crear predicciones, simulaciones o análisis. Estos algoritmos, una vez programados, se representan a manera de árboles de decisiones, redes neuronales, etc. Ok, esa definición no fue muy académica que digamos, así que a continuación agrego otras dos más acertadas.

Arthur Samuel (1959) - Machine Learning: Área de estudio que les da a las computadoras la habilidad de aprender sin necesidad de ser explícitamente programadas.

Sí, esa definición no es muy nueva, pero en el ámbito de las ciencias de la computación ¿qué lo es? Constantemente nos venden ideas como novedosas, cuando en realidad fueron inventadas o teorizadas hace mucho. Pero para una definición un tanto más moderna (y más técnica también), te dejo esta a continuación:

Tom Mitchell (1998) - Well-posed Learning Problem: A un programa de computadora se le dice que aprende de la experiencia E con respecto a alguna tarea T y alguna medida de desempeño P, si su rendimiento sobre T, medido por P, mejora con la experiencia E.

Lo sé. Suena a acertijo, pero espera, antes de que dejes este post y digas que esto de Machine Learning solo es para geeks, nerds o gente loca con mucho tiempo libre. Te puedo garantizar que con un poco de conocimiento del tema te hará sentido y a continuación detallaré el porqué y el uso de ML en el mundo real.

Uso de Machine Learning

Las aplicaciones de ML ya nos afectan a todos de una manera u otra. Desde el buscador que usamos, hasta el reconocimiento facial de nuestras modernas cámaras, sin mencionar las recomendaciones hechas a medida que muchos servicios de comercio electrónico como Amazon nos hacen cada día. ML está en todos lados. Y la tendencia es que en el futuro se encuentren incluso más aplicaciones de las ya conocidas en la actualidad.

¿Cómo y dónde aprendo sobre Machine Learning?

Lo primero es realmente tener la motivación de aprender más sobre el tema. El presente post lo quiero dejar breve, pero no quedo contento con lo poco que he profundizado sobre los beneficios que conlleva aprender un poco de ML. Sin embargo, este no será el último post sobre el tema. Así que puedes estar seguro de que semana a semana encontrarás algo nuevo en el blog relacionado con ML y, sobre todo, ejemplos, guías y tutoriales prácticos que te muestren el verdadero potencial de ML. Pero, por supuesto, te dejaré antes con una lista de los que para mí son los mejores recursos para aprender y profundizar sobre el tema, y lo mejor de todo es que son recursos completamente gratuitos, pero de enorme calidad.

Recursos Recomendados

1. Fundamentos Matemáticos: Con seguridad necesitarás repasar o aprender un poco de matemáticas, sobre todo álgebra lineal y algo de integrales y derivadas. Para ello recomiendo una serie de cursos de la Universidad Politécnica de Valencia que abarca todo lo que necesitas y lo puedes encontrar aquí.

2. Curso de Andrew Ng: Mi primera recomendación y uno de los mejores cursos que puedes llevar sobre el tema es el curso de Andrew Ng de la Universidad de Stanford, disponible en Coursera. Puedes acceder aquí. La ventaja del curso en cuestión es que tiene subtítulos disponibles en español, pero siendo francos, si no tienes un buen nivel de lectura y comprensión del inglés y quieres avanzar en esta área, se te hará más difícil.

3. Clases de Stanford en YouTube: Siguiendo con Andrew Ng, hay una playlist completa sobre el tema en YouTube, donde se le ha grabado durante sus clases en Stanford y contiene mucha de la base teórica aquí.

4. The Analytics Edge: Otro de mis cursos favoritos en línea y uno de los mejores para introducirte a este mundo es The Analytics Edge creado por el MIT. Lo recomiendo para iniciar si no tienes una base previa.

5. Libro de Estadística: Como irás viendo en la medida que avances, la estadística es algo requerido cuando se trabaja con ML, y en ese sentido este libro de Stanford nunca viene mal: The Elements of Statistical Learning: Data Mining, Inference, and Prediction.

Con el tiempo iré añadiendo más recursos a este post. Por ahora me parece un buen inicio con los recursos que he publicado. ¡El mejor momento para empezar es ahora!