Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
org/wiki/Aprendizaje_autom%C3%A1tico
Aprendizaje automático
El aprendizaje automático (AA); también llamado automatizado, computacional de
máquinas, o maquinal1 (del inglés machine learning, ML), es el subcampo de las ciencias de la
computación y una rama de la inteligencia artificial, cuyo objetivo es desarrollar técnicas que
permitan que las computadoras aprendan. Se dice que un agente aprende cuando su desempeño
mejora con la experiencia y mediante el uso de datos; es decir, cuando la habilidad no estaba
presente en su genotipo o rasgos de nacimiento.2 "En el aprendizaje de máquinas un computador
observa datos, construye un modelo basado en esos datos y utiliza ese modelo a la vez como una
hipótesis acerca del mundo y una pieza de software que puede resolver problemas".3
En muchas ocasiones el campo de actuación del aprendizaje automático se solapa con el de la
estadística inferencial, ya que las dos disciplinas se basan en el análisis de datos. Sin embargo, el
aprendizaje automático incorpora las preocupaciones de la complejidad computacional de los
problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la investigación
realizada en aprendizaje automático está enfocada al diseño de soluciones factibles a esos
problemas. El aprendizaje automático también está estrechamente relacionado con el
reconocimiento de patrones. El aprendizaje automático puede ser visto como un intento de
automatizar algunas partes del método científico mediante métodos matemáticos. Por lo tanto es
un proceso de inducción del conocimiento.
El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo motores de
búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis de
mercado para los diferentes sectores de actividad, clasificación de secuencias de ADN,
reconocimiento del habla y del lenguaje escrito, juegos y robótica.
Resumen
Algunos sistemas de aprendizaje automático intentan eliminar toda necesidad de intuición o
conocimiento experto de los procesos de análisis de datos, mientras otros tratan de establecer un
marco de colaboración entre el experto y la computadora. De todas formas, la intuición humana no
puede ser reemplazada en su totalidad, ya que el diseñador del sistema ha de especificar la forma
de representación de los datos y los métodos de manipulación y caracterización de los mismos. Sin
embargo, las computadoras son utilizadas por todo el mundo con fines tecnológicos muy buenos.
Modelos
El aprendizaje automático tiene como resultado un modelo para resolver una tarea dada. Entre los
modelos se distinguen4
▪ Los modelos geométricos, construidos en el espacio de instancias y que pueden tener una,
1 de 11 19/10/2025, 16:36
Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
dos o múltiples
dimensiones. Si hay un
borde de decisión
lineal entre las clases,
se dice que los datos
son linealmente
separables. Un límite
de decisión lineal se
define como w * x = t,
donde w es un vector
perpendicular al límite
de decisión, x es un
punto arbitrario en el
límite de decisión y t es
el umbral de la
decisión.
▪ Los modelos
probabilísticos, que
intentan determinar la
distribución de
probabilidades
descriptora de la función que enlaza a los valores de las características con valores
determinados. Uno de los conceptos claves para desarrollar modelos probabilísticos es la
estadística bayesiana.
▪ Los modelos lógicos, que transforman y expresan las probabilidades en reglas organizadas
en forma de árboles de decisión.
Los modelos pueden también clasificarse como modelos de agrupamiento y modelos de
gradiente. Los primeros tratan de dividir el espacio de instancias en grupos. Los segundos, como
su nombre lo indican, representan un gradiente en el que se puede diferenciar entre cada instancia.
Clasificadores geométricos como las máquinas de vectores de apoyo son modelos de gradientes.
Tipos de algoritmos
Véase también: Aprendizaje automático antagónico
Los diferentes algoritmos de Aprendizaje Automático se
agrupan en una taxonomía en función de la salida de los
mismos. Algunos tipos de algoritmos son:
Aprendizaje supervisado
El algoritmo produce una función que establece una
correspondencia entre las entradas y las salidas
deseadas del sistema. Un ejemplo de este tipo de
algoritmo es el problema de clasificación, donde el
sistema de aprendizaje trata de etiquetar (clasificar)
una serie de vectores utilizando una entre varias Una máquina de vectores de soporte
categorías (clases). La base de conocimiento del
2 de 11 19/10/2025, 16:36
Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
sistema está formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje
puede llegar a ser muy útil en problemas de investigación biológica, biología computacional
y bioinformática.
Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan
solo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos.
Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones para poder
etiquetar las nuevas entradas.
Aprendizaje semisupervisado
Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de
manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.
Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su información de entrada es la
retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo
tanto, el sistema aprende a base de ensayo-error.
El aprendizaje por refuerzo es el más general entre las tres categorías. En vez de que un
instructor indique al agente qué hacer, el agente inteligente debe aprender cómo se
comporta el entorno mediante recompensas (refuerzos) o castigos, derivados del éxito o del
fracaso respectivamente. El objetivo principal es aprender la función de valor que le ayude al
agente inteligente a maximizar la señal de recompensa y así optimizar sus políticas de modo
a comprender el comportamiento del entorno y a tomar buenas decisiones para el logro de
sus objetivos formales.
Los principales algoritmos de aprendizaje por refuerzo se desarrollan dentro de los métodos
de resolución de problemas de decisión finitos de Markov, que incorporan las ecuaciones de
Bellman y las funciones de valor. Los tres métodos principales son: la programación
dinámica, los métodos de Monte Carlo y el aprendizaje de diferencias temporales.5
Entre las implementaciones desarrolladas está AlphaGo, un programa de IA desarrollado
por Google DeepMind para jugar el juego de mesa Go. En marzo de 2016 AlphaGo le ganó
una partida al jugador profesional Lee Se-Dol que tiene la categoría noveno dan y 18 títulos
mundiales. Entre los algoritmos que utiliza se encuentra el árbol de búsqueda Monte Carlo,
también utiliza aprendizaje profundo con redes neuronales. Puede ver lo ocurrido en el
documental de Netflix “AlphaGo”.
Transducción
Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata
de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada,
sus respectivas categorías y los ejemplos nuevos al sistema.
Aprendizaje multi-tarea
Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de
cara a enfrentarse a problemas parecidos a los ya vistos.
El análisis computacional y de rendimiento de los algoritmos de aprendizaje automático es una
rama de la estadística conocida como teoría computacional del aprendizaje.
3 de 11 19/10/2025, 16:36
Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
El aprendizaje automático las personas lo llevamos a cabo de manera automática ya que es un
proceso tan sencillo para nosotros que ni nos damos cuenta de cómo se realiza y todo lo que
implica. Desde que nacemos hasta que morimos los seres humanos llevamos a cabo diferentes
procesos, entre ellos encontramos el de aprendizaje por medio del cual adquirimos conocimientos,
desarrollamos habilidades para analizar y evaluar a través de métodos y técnicas así como también
por medio de la experiencia propia. Sin embargo, a las máquinas hay que indicarles cómo
aprender, ya que si no se logra que una máquina sea capaz de desarrollar sus habilidades, el
proceso de aprendizaje no se estará llevando a cabo, sino que solo será una secuencia repetitiva.
Técnicas de clasificación
Árboles de decisiones
Este tipo de aprendizaje usa un árbol de decisiones como modelo predictivo. Se mapean
observaciones sobre un objeto con conclusiones sobre el valor final de dicho objeto.
Los árboles son estructuras básicas en la informática. Los árboles de atributos son la base de las
decisiones. Una de las dos formas principales de árboles de decisiones es la desarrollada por
Quinlan de medir la impureza de la entropía en cada rama, algo que primero desarrolló en el
algoritmo ID3 y luego en el C4.5. Otra de las estrategias se basa en el índice GINI. El algoritmo de
CART es una implementación de esta estrategia.6
Reglas de asociación
Los algoritmos de reglas de asociación procuran descubrir relaciones interesantes entre variables.
Entre los métodos más conocidos se hallan el algoritmo a priori, el algoritmo Eclat y el algoritmo
de patrón frecuente.
Algoritmos genéticos
Los algoritmos genéticos son procesos de búsqueda heurística que simulan la selección natural.
Usan métodos tales como la mutación y el cruzamiento para generar nuevas clases que puedan
ofrecer una buena solución a un problema dado.
Redes neuronales artificiales
Las redes de neuronas artificiales (RNA) son un paradigma de aprendizaje automático inspirado en
las neuronas de los sistemas nerviosos de los animales. Se trata de un sistema de enlaces de
neuronas que colaboran entre sí para producir un estímulo de salida. Las conexiones tienen pesos
numéricos que se adaptan según la experiencia. De esta manera, las redes neurales se adaptan a un
impulso y son capaces de aprender. La importancia de las redes neurales cayó durante un tiempo
con el desarrollo de los vectores de soporte y clasificadores lineales, pero volvió a surgir a finales de
la década de 2000 con la llegada del aprendizaje profundo.
4 de 11 19/10/2025, 16:36
Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
Máquinas de vectores de soporte
Las MVS son una serie de métodos de aprendizaje supervisado usados para clasificación y
regresión. Los algoritmos de MVS usan un conjunto de ejemplos de formación clasificada en dos
categorías para construir un modelo que prediga si un nuevo ejemplo pertenece a una u otra de
dichas categorías.
Algoritmos de agrupamiento
El análisis por agrupamiento (clustering en inglés) es la clasificación de observaciones en
subgrupos —clusters— para que las observaciones en cada grupo se asemejen entre sí según ciertos
criterios.
Las técnicas de agrupamiento hacen inferencias diferentes sobre la estructura de los datos; se
guían usualmente por una medida de similitud específica y por un nivel de compactamiento
interno (similitud entre los miembros de un grupo) y la separación entre los diferentes grupos.
El agrupamiento es un método de aprendizaje no supervisado y es una técnica muy popular de
análisis estadístico de datos.
Redes bayesianas
Una red bayesiana, red de creencia o modelo acíclico dirigido es un modelo probabilístico que
representa una serie de variables de azar y sus independencias condicionales a través de un grafo
acíclico dirigido. Una red bayesiana puede representar, por ejemplo, las relaciones probabilísticas
entre enfermedades y síntomas. Dados ciertos síntomas, la red puede usarse para calcular las
probabilidades de que ciertas enfermedades estén presentes en un organismo. Hay algoritmos
eficientes que infieren y aprenden usando este tipo de representación.
Conocimiento
En el aprendizaje automático podemos obtener 3 tipos de conocimiento, que son:
1. Crecimiento
Es el que se adquiere de lo que nos rodea, el cual guarda la información en la memoria
como si dejara huellas.
2. Reestructuración
Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se
le llama de reestructuración.
3. Ajuste
Es el que se obtiene al generalizar varios conceptos o generando los propios.
Los tres tipos se efectúan durante un proceso de aprendizaje automático pero la importancia de
cada tipo de conocimiento depende de las características de lo que se está tratando de aprender.
5 de 11 19/10/2025, 16:36
Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
El aprendizaje es más que una necesidad, es un factor primordial para satisfacer las necesidades de
la inteligencia artificial.
Distinción entre aprendizaje supervisado y no
supervisado
El aprendizaje supervisado se caracteriza por contar con información que especifica qué conjuntos
de datos son satisfactorios para el objetivo del aprendizaje. Un ejemplo podría ser un software que
reconoce si una imagen dada es o no la imagen de un rostro: para el aprendizaje del programa
tendríamos que proporcionarle diferentes imágenes, especificando en el proceso si se trata o no de
rostros.
En el aprendizaje no supervisado, en cambio, el programa no cuenta con datos que definan qué
información es satisfactoria o no. El objetivo principal de estos programas suele ser encontrar
patrones que permitan separar y clasificar los datos en diferentes grupos, en función de sus
atributos. Siguiendo el ejemplo anterior un software de aprendizaje no supervisado no sería capaz
de decirnos si una imagen dada es un rostro o no pero sí podría, por ejemplo, clasificar las
imágenes entre aquellas que contienen rostros humanos, de animales, o las que no contienen. La
información obtenida por un algoritmo de aprendizaje no supervisado debe ser posteriormente
interpretada por una persona para darle utilidad.
Aplicaciones
▪ Motores de búsqueda
▪ Diagnóstico médico
▪ Detección de fraudes con el uso de tarjetas de crédito
▪ Análisis del mercado de valores
▪ Clasificación de secuencias de ADN
▪ Ingeniería de características
▪ Reconocimiento del habla
▪ Robótica
▪ Minería de datos
▪ Big Data
▪ Previsiones de series temporales
Temas del aprendizaje automático
A continuación se muestran una serie de temas que podrían formar parte del temario de un curso
sobre aprendizaje automático.
▪ Modelado de funciones de densidad de probabilidad condicionadas: clasificación y regresión
6 de 11 19/10/2025, 16:36
Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
▪ Redes neuronales artificiales
▪ Árboles de decisión: El aprendizaje por árboles de decisión usa un árbol de decisión como
modelo predictivo que mapea observaciones a conclusiones sobre el valor de un objeto
dado.
▪ Modelos de regresión múltiple no postulados
▪ Regresión en procesos Gaussianos
▪ Análisis de discriminantes lineales
▪ k-vecinos más próximos
▪ Perceptrón
▪ Funciones de base radial
▪ Máquinas de soporte vectorial
▪ Modelado de funciones de densidad de probabilidad mediante modelos generativos
▪ Algoritmo EM
▪ Modelos gráficos, como las redes bayesianas y los campos aleatorios de Markov
▪ Mapeado topográfico generativo
▪ Técnicas de inferencia aproximada
▪ Cadenas de Markov y Método de Montecarlo
▪ Métodos variacionales
▪ Optimización: La mayoría de los métodos descritos arriba usan algoritmos de optimización o
son por sí mismos instancias de problemas de optimización.
Historia y relación con otros temas
El aprendizaje automático nació de la búsqueda de inteligencia artificial. Ya en los primeros días de
la IA como disciplina académica, algunos investigadores se interesaron en hacer que las máquinas
aprendiesen. Trataron de resolver el problema con diversos métodos simbólicos, así como lo que
ellos llamaron 'redes neurales' que eran en general perceptrones y otros modelos básicamente
basados en modelos lineares generalizados como se conocen en las estadísticas.
Hardware
Desde la década de 2010, los avances tanto en algoritmos de aprendizaje automático como en
hardware informático han dado lugar a métodos más eficientes para entrenar redes neuronales
profundas (un estrecho subdominio particular del aprendizaje automático) que contienen muchas
capas de unidades ocultas no lineales.7 En 2019, las unidades de procesamiento gráfico (GPU), a
menudo con mejoras específicas de IA, habían desplazado a las CPU como método dominante para
entrenar IA comercial en la nube a gran escala.8 OpenAI calculó la computación de hardware
utilizada en los mayores proyectos de aprendizaje profundo desde AlexNet (2012) hasta AlphaZero
(2017), y descubrió un aumento de 300 000 veces en la cantidad de computación necesaria, con
una línea de tendencia de tiempo de duplicación de 3,4 meses.9 10
7 de 11 19/10/2025, 16:36
Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
Software
Muchos lenguajes de programación pueden usarse para implementar algoritmos de aprendizaje
automático. Los más populares para 2015 eran R y Python.11 R es muy usado ante todo en el
campo académico, mientras que Python es más popular en la empresa privada.
Entre los paquetes de software que incluyen algoritmos de aprendizaje automatizado, se hallan los
siguientes:
Software de código abierto
▪ TensorFlow: plataforma ▪ ELKI: una plataforma para con numerosas bibliotecas
multilenguaje y Java con licencia AGPLv3 relacionadas al aprendizaje
multiplataforma ▪ Encog automático (e1071, rpart,
desarrollada por Google y nnet, randomForest, entre
▪ H2O otras)
licenciada como Apache 2.
▪ Pytorch ▪ RapidMiner
▪ Apache Mahout: plataforma
de Java de algoritmos ▪ KNIME ▪ scikit-learn: biblioteca en
escalables de aprendizaje ▪ mlpy Python que interactúa con
automático, en especial en ▪ MLPACK NumPy y SciPy
las áreas de filtro ▪ Spark MLlib: una librería
▪ MOA
colaborativo, clustering y que forma parte de Apache
clasificación ▪ OpenCV
Spark, una plataforma para
▪ dlib: una biblioteca bajo ▪ Tortilla JS computación de grupos
licencia Boost para ▪ OpenNN ▪ Weka: una biblioteca en
desarrollar en C++ ▪ R: lenguaje de Java
programación estadístico
Software comercial
▪ SPSS Modeler ▪ Microsoft Azure Machine ▪ RCASE
▪ Mathematica Learning ▪ STATISTICA
▪ MATLAB ▪ Neural Designer ▪ SAS
▪ Oracle Data Mining
Sesgos
Los algoritmos de aprendizaje automático a menudo pueden verse afectados por el sesgo que
puedan tener los datos (Ver sesgo algoritmico). Por ejemplo, no se podrán clasificar todos aquellas
entradas de las que no se haya recibido ninguna información en la fase de formación. De hecho,
cuando la formación se realiza con datos clasificados por el ser humano el aprendizaje automático
tiende a crear los mismos sesgos que hay en la sociedad. Algunos ejemplos de esto son cuando en
2015 el algoritmo de Google photos identificaba algunas personas negras como gorilas o en 2016
cuando el bot de Twitter de Microsoft desarrolló comportamientos racistas y machistas con base en
observar el tráfico de datos en dicha red social. Por este motivo en los últimos años ha habido una
8 de 11 19/10/2025, 16:36
Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
tendencia a desarrollar métodos para aumentar la equidad, es decir, para reducir el sesgo en este
tipo algoritmos por parte de los expertos en IA. Citando a Fei-fei Li "La IA no tiene nada de
especial. Se inspira en personas, es creada por personas, y lo más importante impacta en las
personas. Es una herramienta muy poderosa que tan solo hemos comenzado a entender, y esa es
una gran responsabilidad" 12
Véase también
▪ Aprendizaje automático antagónico
▪ Aprendizaje profundo
▪ Dinámica de sistemas
▪ Inteligencia artificial
▪ Inteligencia computacional
▪ Internet de las cosas
▪ Sistema dinámico
▪ Reconocimiento de patrones
▪ Reglas de asociación
▪ Robot autónomo
▪ Equidad (aprendizaje automático)
▪ Ablación (inteligencia artificial)
▪ OpenAI Codex
▪ Fawkes (software de encubrimiento de imágenes)
▪ Red neuronal residual
▪ Hiperparámetro (aprendizaje automático)
▪ Aprendizaje por diferencias temporales
▪ Aprendizaje por conjuntos
▪ Aprendizaje automático basado en reglas
▪ Teoría del aprendizaje estadístico
▪ Dilema sesgo-varianza
▪ Aprendizaje Ockham
Referencias
1. «Breve introducción al mundo IA. Capítulo 1/10» ([Link]
cci%C3%B3n-al-mundo-ia-ram%C3%B3n-garc%C3%ADa-espeleta-rgu2f). [Link].
Consultado el 25 de mayo de 2024.
2. Russell, Stuart; Norvig, Peter (2009). Inteligencia Artificial: Un Enfoque Moderno (3rd edición).
p. 229.
3. Russell and Norvig (2021). Artificial Intelligence: A Modern Approach (en inglés). Pearson.
p. 651. ISBN 9780134610993.
4. Flach 2012 Págs. 20-21
9 de 11 19/10/2025, 16:36
Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
5. Sutton, Richard S., Barto, Andrew G. Reinforcement Learning: An Introduction. The MIT Press.
6. Flach 2012 Págs. 155-156
7. «Deep Neural Networks for Acoustic Modeling in Speech Recognition» ([Link]
i-research-papers/deep-neural-networks-for-acoustic-modeling-in-speech-recognition/).
Consultado el 23 de octubre de 2015.
8. «GPUs Continue to Dominate the AI Accelerator Market for Now» ([Link]
[Link]/big-data/ai-machine-learning/gpus-continue-to-dominate-the-ai-accelerator-market-for-no
w/a/d-id/1336475) (en inglés). Consultado el 11 de junio de 2020.
9. «Application with Machine Learning Integration» ([Link]
oot-application-with-machine-learning-integration/). Consultado el 18 de noviembre de 2020.
10. Ray, Tiernan. «AI is changing the entire nature of compute» ([Link]
s-changing-the-entire-nature-of-compute/) (en inglés). Consultado el 11 de junio de 2020.
11. Four main languages for analytics and data mining science (KD Nuggets) ([Link]
[Link]/2014/08/[Link])
12. «Fei-Fei Li's Quest to Make Machines Better for Humanity» ([Link]
li-artificial-intelligence-humanity/). Wired (en inglés). ISSN 1059-1028 ([Link]
n/1059-1028). Consultado el 17 de diciembre de 2019.
Bibliografía
▪ Bishop, Christopher (2008) Pattern Recognition and Machine Learning. Springer Verlag.
ISBN=978-0-3873-1073-2.
▪ Flach, Peter (2012) Machine Learning: The Art and Science of Algorithms that Make Sense of
Data. Cambridge University Press. ISBN 978-1-107-42222-3.
▪ Gollapudi, Sunila (2016) Practical Machine Learning. Packt Publishing.
ISBN=978-1-78439-968-4.
▪ Ian H. Witten and Eibe Frank (2011). Data Mining: Practical machine learning tools and
techniques Morgan Kaufmann, 664 pág., ISBN 978-0-12-374856-0.
▪ Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7
▪ Raschka, Sebastian (2015). Python Machine Learning, Packt Open Source. ISBN
978-1-78355-513-0
Enlaces externos
▪ Ejemplos prácticos de Machine Learning en Español ([Link]
og/)
▪ Blog sobre Aprendizaje Automático - La biblia del Machine Learning ([Link]
m/)
▪ El Machine Learning cambiará el mundo ([Link]
ambiara-el-mundo/)
▪ Machine Learning Development with Perl ([Link]
1) (en inglés)
▪ Estudio y aplicación de técnicas de aprendizaje automático orientadas al ámbito médico:
estimación y explicación de predicciones individuales. Universidad Autónoma de Madrid (http
s://[Link]/bitstream/handle/10486/12100/59264_Di_Deco_Sampedro_JavierPFM.p
10 de 11 19/10/2025, 16:36
Aprendizaje automático - Wikipedia, la enciclopedia libre [Link]
df?sequence=1)
▪ AlphaGo ([Link] Archivado ([Link]
204185620/[Link] el 4 de febrero de 2018 en Wayback
Machine.
▪ Machine Learning explicado (podcast) ([Link]
plicado/)
▪ Machine Learning: Selección de métricas de clasificación (en español) ([Link]
m/2019/01/19/machine-learning-metrica-clasificacion-parte-3/)
Obtenido de «[Link]
11 de 11 19/10/2025, 16:36