Distintos tipos de MACHINE LEARNING

    Existen tres técnicas de machine learning: el aprendizaje supervisado, el aprendizaje no supervisado y el aprendizaje por refuerzo. En el aprendizaje supervisado, que es el más común, los datos se etiquetan para indicar a la máquina qué patrones debe buscar.

El sistema se entrena con un conjunto de datos etiquetados que contienen la información que debe determinar. Los datos ya se pueden clasificar de la manera que el sistema pretende.

Este método requiere menos datos de entrenamiento que otros métodos y simplifica el proceso de entrenamiento porque los resultados del modelo pueden compararse con datos ya etiquetados. Sin embargo, el etiquetado de los datos puede ser costoso. El modelo también puede estar sesgado debido a los datos de entrenamiento, lo que afectará a su rendimiento más adelante al procesar nuevos datos.

En cambio, en el aprendizaje no supervisado los datos no están etiquetados. La máquina simplemente escanea los datos en busca de posibles patrones. Toma grandes cantidades de datos y utiliza algoritmos para extraer las características relevantes necesarias para etiquetar, ordenar y clasificar los datos en tiempo real, sin intervención humana.

Este enfoque no pretende automatizar las decisiones y las predicciones, sino identificar patrones y relaciones que un humano puede no ver en los datos. Esta técnica no es muy popular porque no es fácil de aplicar. Sin embargo, cada vez es más popular en el ámbito de la ciberseguridad.

El aprendizaje "semisupervisado" se encuentra entre estos dos métodos y es un punto intermedio entre el aprendizaje supervisado y el no supervisado. Durante el aprendizaje, se utiliza un conjunto de datos más pequeño con etiquetas para clasificar y extraer características de un conjunto de datos más grande sin etiquetas.

Este enfoque es útil en situaciones en las que no hay suficientes datos etiquetados para entrenar un algoritmo supervisado. Así, el problema queda resuelto.

Por último, el aprendizaje por refuerzo es aquel en el que un algoritmo aprende de sus errores para alcanzar un objetivo. El algoritmo probará muchos enfoques diferentes para lograr su objetivo.

En función de sus resultados, se le premiará o se le castigará para animarle a seguir por un camino determinado o a cambiar de enfoque. Esta técnica es la más utilizada para que la IA supere a los humanos en los juegos.

SIGUIENTE