Demos Machine Learning





Machine Learning

Es el sub-campo de la computación que estudia cómo hacer que las computadoras “aprendan”. Con este propósito, a los computadores se les presentan tareas y se les entrena con algoritmos con algún grado de aleatoriedad para resolver esas tareas.


Los modelos de Machine Learning vienen en varios tipos, pero el foco de los nuestros es:

    Algoritmos de clasificación

    Los algoritmos de clasificación usan una serie de datos para clasificar objetos. Casos como saber si un cliente va a retrasarse en el pago de un crédito, o si un cliente va a retirarse de un plan de servicios son los que generalmente aplican a esta metodología. Una vez se realiza una clasificación de los datos, se pueden usar los patrones encontrados para estudiar nuevos datos y hacer predicciones.

    Algoritmos de regresión

    Algunas veces es necesario encontrar patrones funcionales en los datos para hacer predicciones. Esto puede ser logrado con Machine Learning, logrando predicciones más precisas que las regresiones funcionales estándar como lineales, exponenciales o logarítmicas.

    Algoritmos de Deep Learning

    Estos algoritmos varían en propósito, pero la principal idea es crear una red de neuronas virtuales que son capases de tomar decisiones, clasificar o predecir situaciones de maneras similares como lo hacen los seres vivos. Esta rama de Machine Learning es la más moderna y se esperan grandes desarrollos a futuro. En estos sistemas hay diferentes capas de neuronas. La primera capa toma la información y la prepara para el procesamiento. La capa intermedia, o profunda, hace el procesamiento. La capa final, da el resultado que se busca.

Centrados alrededor del cliente

Un tema muy importante en machine learning, es que cada problema tiene sus propias características y detalles. Dos bancos, uno en el norte de una ciudad y otro al sur, van a tener diferentes clases de clientes, por lo que el estudio de ellos usando machine learning va a necesitar data distinta. En SQDM nos especializamos en realizar modelos a la medida de nuestros clientes, poniendo especial atención en las características de su data y sus necesidades. Es por esto que usamos el procedimiento estándar de minería de datos (CRISP-DM) para nuestros modelos de Machine Learning.

Machine Learning es una herramienta que encuentra patrones haciendo uso de estadística. Esto le permite encontrar patrones escondidos en los datos. Estos patrones a veces parecen extraños, pero a Machine Learning no le importa si el patrón es extraño, solo le importa que tenga validez estadística.

Machine Learning es realizado por una computadora, por lo que no tiene opinión a la hora de buscar patrones. Los modelos realizados no son basados en los deseos de una persona, lo que ayuda a la ecuanimidad del análisis. Sin embargo, los datos también deben ser buenos, para poder lograr que los modelos de Machine Learning sean buenos.

Machine Learning tiene la capacidad de seguir aprendiendo después de ser desplegada, esto le permite seguir mejorando en el tiempo. Esta capacidad de aprendizaje depende de algún nivel de aleatoriedad, por eso se recomienda usar con cuidado.

Machine Learning puede adaptarse rápidamente sin intervención humana, lo que le permite ser mucho más rápida en reaccionar, que si tuviera que esperar a la reacción de una persona.

Machine Learning no tiene las limitaciones del cerebro humano respecto a la complejidad y cantidad de datos que puede analizar, esto permite solucionar problemas que para cualquier persona serían casi imposibles, o llevarían mucho más tiempo.