¿Por dónde empezar con machine learning?

¿Por dónde empezar en machine learning? es una pregunta que algunos de los que ahora estamos trabajando en ello, nos hemos hecho alguna vez. Estamos, cada vez más, rodeados de sistemas de Inteligencia Artificial que «aprende» a través de esta tecnología y que ayuda a las empresas a mejorar en sus productos o servicios. Desde los sistemas de recomendación de Netflix hasta el diagnóstico preventivo de enfermedades a partir de imágenes, las aplicaciones de la Inteligencia Artificial (IA) abarcan todo tipo de campos y sectores, aportando sus beneficios tanto a consumidores como a las empresas que la usan. No es de extrañar que a muchas de las personas apasionadas por las nuevas tecnologías les atraiga el adentrarse en el mundo de la Inteligencia Artificial.

Alexander Marco Carpena
Alexander Marco CarpenaEspecialista de Aplicaciones BI

Ahora bien, podrías pensar que la IA o el machine learning son campos densos e impenetrables que se limitan a laboratorios de investigación o a grandes empresas con trabajadores súper cualificados, pero la realidad es que, gracias a los avances de la última década, existen herramientas que lo hacen accesible incluso para personas que no han escrito una línea de código en su vida. Bastante emocionante, ¿verdad?

Pero si eres completamente nuevo en el campo, puede ser un desafío saber cómo comenzar, afortunadamente, estamos a punto de superar ese primer obstáculo.

Al final del artículo te dejo también una lista de referencias para que empieces tu aprendizaje.

Carrera profesional en machine learning

Con el desarrollo y la implementación de la IA en los últimos años, han surgido a su alrededor diferentes tipos de trabajos asociados especializados en diferentes áreas. Cada uno de estos trabajos a su vez requieren de diferentes grados de conocimientos y habilidades, por lo que una de las primeras cuestiones que debes hacerte es en qué carrera profesional quieres centrarte, cuál es tu objetivo y en qué te quieres especializar.

Estos son algunos de los puestos relacionados con la inteligencia artificial:

  • Investigador en Machine Learning
  • Ingeniero de IA
  • Analista de datos
  • Científico de datos
  • Desarrollador de Business Intelligence (BI)

Saber las diferencias y conocer qué encaja más con tu visión profesional te ayudará a definir un camino de aprendizaje más eficiente hacia el objetivo que quieras alcanzar.

Software low code o no code.

Las plataformas de aprendizaje automático aprovechan la compensación tiempo – valor – conocimiento de manera que permiten a los usuarios sin habilidades de codificación de IA optimizar las operaciones diarias y resolver problemas.

Las herramientas de IA visuales, a menudo de arrastrar y soltar, con poco código (low code) o sin código (no code), hacen que la IA sea menos intimidante y más comprensible para las personas sin conocimientos técnicos o para aquellos que carecen del tiempo o los recursos para construir dichos sistemas desde cero.

Por tanto, estas herramientas son un buen punto de partida para aquellas personas que quieren empezar a aprender de una forma práctica, resolviendo problemas reales, ya que empezarán a ver los diferentes tipos de algoritmos que existen y para qué uso son adecuados.

Algunas plataformas de no-code son:

  • IBM Watson Studio
  • Azure ML Studio
  • Google AutoML
  • Create ML
  • RapidMiner
  • Knime

Estadística básica

Muchas teorías estadísticas y de probabilidad fundamentales forman la base del ML. El aprendizaje automático en su forma ampliamente utilizada actualmente es una forma de predecir probabilidades y ver patrones y conocer esta base es importante, ya que lo ayudará a comprender mejor por qué funciona cualquier algoritmo de aprendizaje automático.

Además, tener conocimientos en esta área le ayudará a hacer las preguntas correctas, elegir el conjunto correcto de algoritmos y saber qué esperar como respuestas de su modelo.

Una vez conozcas esta base te resultará más fácil comprender y analizar los algoritmos más usados en el campo, tales como los modelos de regresión lineal o los árboles de decisión.

Programación

No te voy a engañar, es cierto que las herramientas sin programación pueden resolver nuestros problemas en muchas ocasiones y proporcionan buenos resultados en poco tiempo, sin embargo, si queremos sacarles todo el partido a los datos y quieres convertirte en un profesional que domine el Machine Learning, es necesario aprender programación.

Personalmente te recomiendo aprender Python, ya que es ideal para las personas que son nuevas en programación. Es fácil de aprender debido a su sintaxis simple y puedes implementar rápidamente los algoritmos. Además, tiene un rico ecosistema de desarrollo que ofrece una tonelada de bibliotecas y marcos en Machine Learning como Scikit Learn, Numpy, Tensorflow, etc.

Frameworks

Programar un algoritmo puede ser tan difícil o tan fácil como quieras hacerlo. Hoy en día existen frameworks que añaden capas de alto nivel a la hora de programar. Al igual que pasa en Excel, por ejemplo, donde tú puedes crear una función que haga una operación de suma desde cero, o puedes usar la función predefinida SUMA, los frameworks y librerías aportan esta capa de abstracción que te permiten usar funciones ya definidas que te ahorran muchas líneas de código.

Cuanto mayor nivel de abstracción tengas, más fácil será programar y menos líneas de código necesitarás, pero menor será la capacidad de retocar la funcionalidad.

Algunos de los frameworks más utilizados son Keras, Tensorflow o Pytorch, los cuales te permiten crear redes neuronales con pocas líneas de código.

Listado de recursos para empezar con Machine Learning.

En este apartado os propongo una serie de materiales online, para empezar en el mundo del machine learning.

Lecturas

Cursos y Moocs

Comunidades online

Canales de Youtube

Libros

Podcasts

2021-04-22T15:25:04+02:0022 abril, 2021|
Ir a Arriba