El sueño de la Inteligencia Artificial

La diferencia entre los árboles de decisión, de forma individual, y los bosques aleatorios es que estos últimos son conjuntos de los primeros, pero entrenados, como su propio nombre indica, con diferentes conjuntos de datos aleatorios y sin correlaciones entre sí.

En los casos más interesantes y desafiantes, las acciones pueden afectar no solo a la recompensa inmediata, sino también a la siguiente situación y, a través de ella, a todas las recompensas posteriores.

Este mecanismo, en realidad, es más intuitivo de lo que podría parecer. Imaginemos que estamos en un laberinto intentando buscar la salida. El algoritmo de backpropagation haría algo parecido a ir marcando los cruces que descubrimos que no llevan a ninguna parte, de manera que cuando volvamos a pasar por ellos sepamos que por ahí no es. Dejar esas señales, a medida que sigamos caminando y dando vueltas, nos ayudará a encontrar la salida con mayor facilidad, hasta poder recorrerlo de un extremo al otro sin problemas gracias a ese feedback que hemos ido dando en los diferentes intentos de escapar.

aprendizaje supervisado se utiliza, principalmente, en algoritmos de minería de datos para resolver dos tipos de problemas: de clasificación —ordenar variables— y regresión —establecer relaciones entre variables—.

Llegados a este punto, conviene precisar una cuestión: aprendizaje automático y redes neuronales no son lo mismo, aunque sí que entablan una relación muy estrecha y muchas veces se emplean ambos términos, de forma errónea, indistintamente. Las redes neuronales son tan solo una forma de aprendizaje automático, pero este se puede implementar a través de otros algoritmos, alguno de los cuales iremos mencionando, como el método de clasificación de Naive Bayes, la regresión lineal, la regresión logística, las SVM o máquinas de vectores de soporte, el algoritmo KNN, y el bosque aleatorio.

Y resultó ser una solución relativamente sencilla: crearon un algoritmo que, al detectar errores en los datos de salida de una red neuronal, realizaba ajustes sobre el conjunto de los pesos de datos de entrada para reducir ese error. Conocido como retropropagación (backpropagation), ayudó a sacar del pozo a la investigación en redes neuronales.

La diferencia entre aprendizaje y razonamiento automáticos es que el primero funciona con modelos estadísticos, analizando diferentes ejemplos para establecer categorías que le permitan clasificar otros nuevos, mientras que al segundo hay que proporcionarle ya un modelo y unas relaciones entre determinados hechos para que pueda aplicarlos a ejemplos similares.

El aprendizaje automático consiste en programar ordenadores para optimizar un criterio de desempeño utilizando datos de ejemplo o de experiencias pasadas. Tenemos un modelo definido con algunos parámetros, y el aprendizaje es la ejecución de un programa informático para optimizarlos, utilizando esos datos. El modelo puede ser predictivo, para hacer predicciones en el futuro, o descriptivo, para obtener conocimiento de los datos, o ambos.

lo que se conoce en matemáticas como «explosión combinatoria». Y esto estaba muy rela‍

Rosenblatt y Minsky ya habían sido protagonistas de intensos debates en los círcu­los académicos debido a la publicación, en 1969, de Perceptrons: an introduction to computationa