El **aprendizaje automático**, se refiere a la construcción de programas computacionales que automáticamente mejoran su rendimiento en una tarea determinada con la experiencia.
Elementos del aprendizaje de un concepto, y el aprendizaje viene dato por la
Decimos que la computadora ha aprendido cuando aumenta la probabilidad de ejecutar una tarea correctamente
flowchart LR
A[Instancias] -->|Ejemplos| B(Sistema de Aprendizaje)
A -->|NO_Ejemplos| B
B --> C(Concepto)
El ML no se traduce automáticamente en beneficios, esto por lo general le ocurre a Amazon o Netflix cuando recomiendan series o películas al suscriptor. El ML tampoco evalúa las repercusiones de un error en los resultados, es decir, no es lo mismo fallar en la recomendación de una serie de TV a la probabilidad de padecer una enfermedad. El Machine learning no es bueno para encontrar casualidades sino trabaja para descubrir patrones, si el problema resolver tiene muchas casualidades quizás es bueno plantear otra forma d e solucionarlo. En el uso de ML no siempre se pueden interpretar los resultados, por ejemplo en algunos algoritmos se puede explicar (árboles de decisión) y otros en donde no se puede por su complejidad (redes neuronales). Y por último en el ML no solo se usa una única técnica sino que se combinam varias técnicas.
Buenas Práticas:
En muchas ocasiones el problema de obtener una representación adecuada parece igual de complicado que la solución del problema en sí. ¿Cómo diseñar un sistema que sea capaz de obtener estas representaciones de manera automática?
El deep learning, aprendizaje profundo en español, intenta solucionar este problema mediante la creación de representaciones expresadas en términos de otras representaciones más sencillas.