Machine Learning: la llave de la inteligencia artificial

¿Qué es Machine Learning?

El machine learning o aprendizaje automático es una rama de la inteligencia artificial que permite que las computadoras aprendan y mejoren automáticamente a partir de datos, sin necesidad de estar explícitamente programadas para cada tarea.

Funciona exponiendo a los algoritmos de machine learning a grandes conjuntos de datos para que encuentren patrones y relaciones. Luego, utilizan esos patrones para hacer predicciones, recomendaciones o decisiones sin necesidad de recibir instrucciones humanas paso a paso.

Por ejemplo, un sistema de machine learning podría analizar miles de fotos de gatos y perros y aprender a reconocer las diferencias entre ambos. Luego, cuando se le presente una nueva foto, podrá identificar si es un gato o un perro basándose en lo aprendido previamente.

En resumen, el machine learning automatiza el desarrollo de modelos analíticos para que las máquinas puedan aprender y mejorar a partir de los datos, en lugar de requerir programación explícita para cada tarea.

¿Por qué es importante aprender Machine Learning?

Según explica Santiago Valderrama, reconocido ingeniero de Machine Learning, esta tecnología permite que las computadoras aprendan y mejoren automáticamente a partir de datos, sin necesidad de programarlas explícitamente.

Esto abre muchas posibilidades para crear sistemas inteligentes que puedan, por ejemplo, reconocer patrones, hacer predicciones, clasificar información y tomar decisiones de forma autónoma.

Aprender Machine Learning permite desarrollar habilidades muy valiosas actualmente en áreas como inteligencia artificial, análisis de datos, robótica, procesamiento de lenguaje natural, visión artificial, etc. Es una tecnología clave en la Cuarta Revolución Industrial que está transformando muchas industrias.

Saber Machine Learning amplía mucho las oportunidades laborales y profesionales.

¿Cuál es la ruta más apropiada para aprender Machine Learning?

Python: la base del aprendizaje

Según Santiago Valderrama, el primer paso en el aprendizaje de Machine Learning es adquirir conocimientos de Python, el lenguaje de programación más utilizado en este campo.

Para ello, recomienda el curso gratuito de Udacity «Introducción a la Programación en Python» (https://www.udacity.com/course/introduction-to-python–ud1110). ↗.)

Además, sugiere practicar utilizando Google Colab (https://colab.research.google.com/), ↗,) una herramienta esencial para la codificación en Python.

Cursos y tutoriales iniciales

Una vez se tenga una base en Python, Santiago recomienda tomar dos cursos gratuitos:

• Curso de Introducción a Machine Learning (https://www.kaggle.com/learn/intro-to-machine-learning) ↗)
• Curso Intermedio de Machine Learning (https://www.kaggle.com/learn/intermediate-machine-learning) ↗)

Ambos disponibles en Kaggle. Estos tutoriales proporcionan una sólida introducción a los conceptos fundamentales de Machine Learning.

Proyecto práctico: el Desafío del Titanic

Después de familiarizarse con los conceptos básicos, Santiago expresa que estás preparado para tu primer proyecto práctico: el Desafío del Titanic en Kaggle (https://www.kaggle.com/competitions/titanic). ↗.)

Este es un popular problema de Machine Learning donde se aplica lo aprendido para predecir qué pasajeros sobrevivieron al hundimiento del Titanic.

Especialización y cursos avanzados

Posteriormente, Santiago Valderrama sugiere tomar la especialización en Machine Learning de Coursera (https://www.coursera.org/specializations/deep-learning). ↗.) Este curso es más avanzado y permite expandir tu conocimiento en el área.

Aquellos que deseen ir más allá pueden optar por tomar también las clases de Machine Learning y Deep Learning dictadas por prestigiosas universidades y disponibles en línea:

• MIT Applied Data Science Program: https://www.mygreatlearning.com/mit-applied-data-science-course ↗
• Deep Learning Course at NYU: https://cds.nyu.edu/deep-learning/ ↗
• Deep Learning for Coders Course: https://fullstackdeeplearning.com/ ↗
• UC Berkeley CS182: https://cs182sp21.github.io/ ↗
• Cornell Tech Deep Learning Course: https://www.youtube.com/playlist?list=PL2UML_KCiC0UlY7iCQDSiGDMovaupqc83 ↗

Esto permite llevar los conocimientos de Machine Learning al siguiente nivel.

Recursos y libros de referencia

Además, Santiago  proporciona una lista de sus libros favoritos que pueden ayudar a ampliar los conocimientos en Machine Learning y Deep Learning:

• «Deep Learning for Coders with Fastai and PyTorch: AI Applications Without a PhD» de Jeremy Howard y Sylvain Gugger (https://amzn.to/3QVfZjW) ↗)
• «Machine Learning: A Modern Approach» de Stuart Russell y Peter Norvig (https://amzn.to/3QSyk1f) ↗)
• «Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems» de Aurélien Géron (https://amzn.to/3qS3V8z) ↗)
• «Natural Language Processing with Python: Analyzing Text with the Natural Language Toolkit» de Steven Bird, Ewan Klein y Edward Loper (https://amzn.to/44skjKD) ↗)

Consejos finales

Santiago finaliza con tres valiosos consejos:

1. Empezar trabajando en problemas ya resueltos para encontrar ayuda fácilmente cuando te atasques.
2. Usar ChatGPT para resumir conceptos complejos y generar preguntas que puedas responder para practicar.
3. Insistir en la importancia de encontrar una comunidad donde puedas compartir tu trabajo, hacer preguntas y ayudar a otros.

En resumen, Santiago  nos recuerda que no necesitamos entender todo el mundo de Machine Learning para construir una fantástica carrera en el campo. Lo más importante es encontrar tu propio camino y escribir más código. Así es como se gana experiencia y progresa en este apasionante campo.

Consejo adicional de Frank Mori

Frank Mori, Editor de Dimension IA, quien propuso las recomendaciones de Santiago Valderrama, agrega lo siguiente:

“No olvidemos nunca que el Machine Learning solo es útil si resuelve problemas de la vida real.

A efectos didácticos es bueno empezar como dice Santiago con problemas ya resueltos, ya que eso nos permite progresar adecuadamente. Pero también es una buena idea tener una “obsesión” por resolver un problema real de la vida real.

A veces el camino para resolver dicho problema nos llevará por la programación en Python y otras veces nos llevará por soluciones No-Code o Low-Code. Pero incluso en ese supuesto caso disponer de una formación en programación Python nos resultará muy útil, ya que nos proporcionará más opciones para recorrer el camino hacia esa solución.«