KnowSoda
TecnologíaIA y datos
Aprendizaje automático: datos curiosos y test
Lo esencial en 7 ideas, con datos curiosos, una historia ilustrada y un test para ver cuánto sabes.
Lo esencial
Datos de entrenamiento
Los modelos de aprendizaje automático aprenden de ejemplos, llamados datos de entrenamiento. Cuanto más variados y precisos sean los ejemplos, mejor suele salir el modelo.
Dato clave
Si entra basura, sale basura: con datos malos salen modelos malos.
Aprender con etiquetas
En el aprendizaje supervisado, cada ejemplo viene con la respuesta correcta, como fotos etiquetadas como «gato» o «perro». El modelo aprende a predecir las etiquetas de fotos nuevas.
Dato clave
El etiquetado de datos suelen hacerlo personas, a mano.
Redes neuronales
Las redes neuronales se inspiran vagamente en el cerebro: capas de unidades simples se pasan números y ajustan sus conexiones a medida que aprenden.
Dato clave
«Aprendizaje profundo» solo significa redes con muchas capas.
Predicciones y errores
Un modelo hace predicciones con cierto grado de confianza, y puede equivocarse. Los ingenieros lo prueban con ejemplos que nunca ha visto para comprobar lo bien que funciona de verdad.
Dato clave
Probarlo con datos que no ha visto muestra si de verdad ha aprendido.
Sobreajuste
Un modelo que memoriza sus ejemplos de entrenamiento en lugar de aprender patrones generales sufre sobreajuste. Lo borda en los ejercicios pero falla con datos nuevos, como un estudiante que se aprendió las respuestas de memoria.
Dato clave
Unos datos más variados ayudan a evitar el sobreajuste.
Aprender con recompensas
En el aprendizaje por refuerzo, un sistema aprende por ensayo y error, y gana recompensas por las buenas jugadas. Así llegó la IA a dominar juegos como el go y el ajedrez.
Dato clave
AlphaZero aprendió ajedrez jugando millones de partidas contra sí mismo.
El aprendizaje automático de cada día
El aprendizaje automático hace funcionar el desbloqueo facial, los filtros de spam, el dictado por voz, la traducción y la búsqueda de fotos. Suele trabajar en silencio, en segundo plano.
Dato clave
Tu móvil puede reconocer caras en tus fotos sin enviarlas a internet.
Datos curiosos
Algunos modelos de imagen aprendieron a reconocer vacas en parte buscando hierba verde, así que fallaban con vacas en una playa.
Cuando un CAPTCHA te pide señalar semáforos, puede que estés ayudando a etiquetar datos.
La primera máquina de red neuronal, el Perceptrón, se construyó en 1958 y aprendió a distinguir formas sencillas.
Cambiar unos pocos píxeles, invisibles para las personas, ha hecho que un modelo confunda un panda con un gibón.
Un modelo para detectar neumonías aprendió en parte a reconocer qué escáner de hospital había hecho cada radiografía, no la enfermedad.
En 2015, una IA aprendió decenas de juegos de Atari solo a partir de los píxeles de la pantalla y la puntuación.
En los años noventa, las primeras redes neuronales ya leían números escritos a mano en cheques y cartas.
Historia: El caballo que sabía contar
El caballo que sabía contar
Berlín, 1904. Un caballo llamado Hans el Listo asombra al público dando con el casco las respuestas de sumas. Los expertos no encuentran ningún truco.
Entonces el psicólogo Oskar Pfungst se da cuenta de que Hans solo acierta cuando quien pregunta sabe la respuesta. El caballo lee pequeñas señales en sus caras.
Los investigadores de IA aún hablan del «efecto Hans el Listo»: un modelo que parece listo, pero ha aprendido un atajo en lugar de la tarea real.
¿Verdadero o falso?
Toca tu respuesta para ver si has acertado, y por qué.
-
Pregunta 1 de 10
Los ejemplos de los que aprende un modelo se llaman datos de entrenamiento.
Ver la respuesta
Verdadero. Son su material de estudio.
-
Pregunta 2 de 10
El aprendizaje supervisado usa ejemplos etiquetados.
Ver la respuesta
Verdadero. Cada ejemplo viene con su respuesta.
-
Pregunta 3 de 10
El aprendizaje profundo usa redes neuronales con muchas capas.
Ver la respuesta
Verdadero. Eso es lo que significa «profundo».
-
Pregunta 4 de 10
Los modelos se prueban con datos que no han visto antes.
Ver la respuesta
Verdadero. Para comprobar que funcionan con casos nuevos.
-
Pregunta 5 de 10
Un modelo sobreajustado funciona mal con datos nuevos.
Ver la respuesta
Verdadero. Memorizó en lugar de aprender.
-
Pregunta 6 de 10
El aprendizaje por refuerzo usa recompensas.
Ver la respuesta
Verdadero. Los buenos resultados se premian.
-
Pregunta 7 de 10
El desbloqueo facial usa aprendizaje automático.
Ver la respuesta
Verdadero. Aprende cómo es tu cara.
-
Pregunta 8 de 10
La calidad de los datos de entrenamiento no importa.
Ver la respuesta
Falso. Con datos pobres salen resultados pobres.
-
Pregunta 9 de 10
El aprendizaje supervisado nunca necesita respuestas.
Ver la respuesta
Falso. Las etiquetas son las respuestas de las que aprende.
-
Pregunta 10 de 10
Las redes neuronales están hechas de neuronas reales.
Ver la respuesta
Falso. Son matemáticas que funcionan en ordenadores.
Sigue en la app
KnowSoda aprende lo que sabes y te recuerda lo que estás a punto de olvidar. En Aprendizaje automático te esperan 6 ideas más en los niveles Avanzado y Experto.
Fuentes
- Google — Machine Learning Crash Course
- Encyclopaedia Britannica — machine learning, neural network
- Silver et al. (2018), AlphaZero, Science 362
- LeCun et al. (1998), gradient-based learning applied to document recognition
- Vaswani et al. (2017), attention is all you need
- Epoch AI — Trends in machine learning compute
- ImageNet
