Es básicamente enseñar a las máquinas a aprender de los datos sin que les digamos paso a paso qué hacer. Les das ejemplos, y ellas aprenden patrones.
🧠 Tipos de Machine Learning (los más conocidos)
1. Aprendizaje Supervisado
Es como tener un profe: le das datos con la respuesta correcta y el modelo aprende a predecir esa respuesta para nuevos casos.
Ejemplos:
-
¿Este correo es spam o no? (respuesta: sí o no)
-
¿Cuánto costará esta casa? (respuesta: número)
Métodos populares:
-
Regresión Lineal: predice números (precio, temperatura).
-
Regresión Logística: predice categorías (sí/no, spam/no spam).
-
Árboles de decisión: como un 20 preguntas para tomar decisiones.
-
Random Forest: muchos árboles votando.
-
K-NN (K vecinos más cercanos): se fija en los vecinos más parecidos.
-
SVM (Máquinas de vectores soporte): encuentra la mejor línea para separar grupos.
-
Redes neuronales: mini cerebro artificial que aprende cosas más complejas.
2. Aprendizaje No Supervisado
Acá no hay profe ni respuestas, solo le das datos y la máquina busca patrones por sí sola.
Ejemplos:
-
Agrupar clientes por comportamiento (sin saber de antemano cuántos grupos hay).
-
Detectar rarezas o anomalías.
Métodos populares:
-
Clustering (agrupamiento):
-
K-Means: divide en grupos similares.
-
DBSCAN: detecta grupos con formas raras.
-
-
PCA (Análisis de Componentes Principales): reduce la cantidad de columnas para visualizar mejor.
3. Aprendizaje por Refuerzo
Como entrenar a un perrito: le das recompensas o castigos. El modelo prueba cosas y aprende qué hacer explorando el entorno.
Ejemplo:
-
Un robot aprendiendo a caminar.
-
Un agente que aprende a jugar ajedrez.
Algoritmos típicos:
-
Q-Learning
-
Deep Q Networks (DQN)
-
Política de refuerzo con redes neuronales
| Algoritmo | Tipo | Descripción Coloquial | Ejemplo |
|---|---|---|---|
| Regresión Lineal | Supervisado | Predice un número. Imagina trazar una línea recta entre puntos para estimar cosas, como predecir el precio de una casa según los metros cuadrados. | Predecir el precio de una casa según el tamaño. |
| Regresión Logística | Supervisado | Predice una categoría (sí o no). En vez de una línea, traza una curva que separa dos grupos. Muy usada para decidir si algo pertenece o no a un grupo. | Predecir si un correo es spam o no. |
| Árbol de Decisión | Supervisado | Es como un árbol de preguntas: «¿Es mayor de 18?» → «¿Tiene ingresos?»… y así decide. Fácil de entender, como un juego de 20 preguntas. | Decidir si dar un préstamo a alguien, según su historial. |
| Random Forest | Supervisado | Usa muchos árboles de decisión y votan entre todos. Más robusto y preciso porque no depende de un solo árbol. | Clasificar tipos de flores usando varias características. |
| K-Nearest Neighbors (K-NN) | Supervisado | Cuando llega un nuevo dato, mira qué datos similares tiene cerca y decide según la mayoría. Como si preguntaras a tus vecinos qué opinan. | Predecir si alguien comprará un producto según lo que hicieron otros similares. |
| SVM (Máquinas de Vectores de Soporte) | Supervisado | Encuentra la mejor línea (o frontera) para separar dos grupos, incluso si no están bien separados. Muy buena con datos complejos. | Clasificar correos como importantes o no. |
| Redes Neuronales | Supervisado | Imita el cerebro: muchas “neuronas” conectadas que aprenden de datos. Buenas para cosas complejas como imágenes o lenguaje. | Reconocer caras en fotos. |
| K-Means | No Supervisado | Agrupa datos parecidos. Tú no dices cuántos grupos hay, el algoritmo los busca. Ideal cuando no hay etiquetas. | Segmentar clientes según su comportamiento de compra. |
| DBSCAN | No Supervisado | Agrupa datos, pero permite grupos con formas raras y detecta puntos que no encajan (outliers). No necesitas decir cuántos grupos hay. | Detectar fraudes en transacciones bancarias. |
| PCA (Análisis de Componentes Principales) | No Supervisado | Reduce la cantidad de columnas (características) manteniendo la info más importante. Como hacer zoom-out para ver mejor el panorama. | Reducir dimensiones antes de hacer clustering en imágenes. |
| Q-Learning | Refuerzo | Aprende probando cosas, recibiendo premios o castigos. Como entrenar a un perrito: prueba, se equivoca, aprende y mejora. | Un robot aprendiendo a caminar. |
| Deep Q-Network (DQN) | Refuerzo | Igual que Q-Learning, pero usa redes neuronales para tomar decisiones más inteligentes en entornos complejos. | Un agente aprendiendo a jugar videojuegos como Atari. |
