¿Cómo aprende Machine Learning?
Diferentes problemas requieren diferentes formas de aprender de los datos. Descubra los paradigmas que transforman la experiencia histórica en decisiones confiables.
01 — Supervised Learning
Aprender cuando conocemos el resultado.
El aprendizaje supervisado se utiliza cuando tenemos datos históricos donde conocemos tanto las variables de entrada como el resultado que finalmente ocurrió.
En términos sencillos:
X₁ + X₂ + X₃ + … + Xₙ → Y conocida
“Aprenda qué relaciones existen entre estas condiciones X y este resultado Y.”
Ejemplo Industrial (X)
Disponemos de miles de registros históricos con parámetros operativos:
Temperatura · presión · velocidad · proveedor · humedad · lote · turno · parámetros del equipo
Resultado Histórico (Y)
Y conocemos con exactitud la calidad resultante:
Producto conforme / producto defectuoso
Classification
Queremos predecir una categoría discreta.
- • falla / no falla
- • defecto / conforme
- • churn / permanece
- • mora / no mora
- • alto riesgo / bajo riesgo
Regression
Queremos predecir un valor numérico continuo.
- • tiempo hasta una falla
- • demanda esperada
- • yield / rendimiento
- • consumo energético
- • duración y resistencia
Algunos algoritmos supervisados frecuentes
CART®
Classification and Regression Trees. Divide progresivamente los datos buscando la máxima interpretabilidad.
Random Forest®
Muchos árboles trabajando conjuntamente mediante submuestras para ofrecer predicciones robustas.
TreeNet®
Gradient boosting secuencial. Construye modelos encadenados que aprenden progresivamente de los errores.
MARS®
Multivariate Adaptive Regression Splines. Ideal para procesos con umbrales y comportamientos no lineales.
El Principio MLO-PRO®
No comenzamos preguntando: “¿Podemos utilizar Random Forest?”
Comenzamos preguntando: “¿Qué necesitamos comprender, anticipar o decidir mejor?”