Los sistemas de Machine Learning aprenden una tarea a partir de datos existentes. Representan una evolución de la Inteligencia Artificial. Hay modelos predictivos de:
- Clasificación: salida discreta.
- Regresión: salida continua.
Estos modelos necesitan trabajar sobre datasets limpios, correctos y voluminosos.
Es necesario identiificar las features del dataset para entrenar al modelo. Para esto se hace un Análisis de Datos Exploratorio. Una feature debe ser cuantitativa y medible. Hay features de:
- Identidad: derivadas directamente de columnas originales.
- Transformación: surgen de transformar una columna original.
- Agregación: resumen un conjunto de registros agrupados.
Hay técnicas:
- Supervisadas: se entrena al modelo con datos etiquetados. Por ejemplo: Perceptrón.
- No supervisadas: el modelo aprende con datos sin etiquetar. Por ejemplo: Clustering.
Active learning consiste en tener un humano en el bucle para reforzar el entrenamiento.