Aprendizaje

El aprendizaje automático se puede clasificar en tres tipos de aprendizaje machine learning: 

• aprendizaje supervisado, 

• aprendizaje no supervisado 

• aprendizaje reforzado. 

Aprendizaje supervisado

El aprendizaje supervisado es una tarea de aprendizaje automático donde el algoritmo aprende de datos con pares de ejemplos de entradas-salidas, es decir, el modelo aprende a realizar una tarea a partir de ejemplos etiquetados, que se le enseñan en la fase de entrenamiento.

Cuando se trata de aprendizaje supervisado, primero debemos recordar que el conjunto de datos utilizado para entrenar el algoritmo de Machine Learning estará compuesto por variables de características (también llamadas de features), que estarán rotuladas por una variable objetivo (o target).

En este enfoque, el modelo aprende a realizar una tarea a partir de ejemplos etiquetados, que se le enseñan en la fase de entrenamiento. Pero, ¿qué subcategoría de algoritmo elegir?

Algoritmos de clasificación vs algoritmos de regresión

Los algoritmos de aprendizaje supervisado se sub categorizan en dos grupos: Clasificación y Regresión. La diferencia entre ellos está en el tipo de resultado que queremos que produzca la técnica de aprendizaje automático. Veamos la diferencia.

Principales algoritmos de aprendizaje supervisado utilizados en la Clasificación y en la Regresión

Hay varias técnicas de Machine Learning que podemos utilizar en problemas de clasificación y de Regresión. Ejemplos de aprendizaje supervisado:

• Clasificación: Naive Bayes, Máquinas de Vectores de Soporte (Support Vector Machines, SVM), Regresión Logística, Árboles de Decisión, Bosques Aleatorios y Redes Neuronales.

• Regresión: Regresión Lineal, Regresión no Lineal, Máquinas de Vectores de Soporte (SVM), Árboles de Decisión, Bosques Aleatorios y Redes Neuronales.

Es posible que hayas notado que muchas de las técnicas no se limitan solo a la clasificación o solo a la regresión, algunas funcionan para ambos problemas.

Otro motivo de confusión frecuente, interesante de señalar, es la técnica de regresión logística. Por su nombre, nos lleva a pensar que se trata de una técnica de regresión, pero en realidad es una técnica utilizada únicamente para problemas de clasificación.

Redes neuronales

Ya hemos visto cómo funcionan los árboles de decisión y las regresiones lineales.

• Árboles de decisión: nos permiten clasificar una información, para saber de qué clase es. En nuestro trabajo en BigData utilizamos los árboles de decisión para clasificar una tupla de datos según una clase objetivo ({SÍ, NO} por ejemplo)

• Regresiones lineales: nos permiten obtener a partir de un conjunto de datos de entrada un dato de salida. Cuando vimos las regresiones lineales en BigData utilizamos funciones monovariables (una única variable de entrada), pero las regresiones pueden ser multivariables (es decir, que obtenemos un valor a partir de varias variables de entrada).

Ahora vamos a hablar sobre redes neuronales.  Las redes neuronales existen desde hace medio siglo, pero han tenido su etapa de mayor éxito en los últimos años con la mejora de la tecnología.  

Estructura

Una red neuronal es un sistema de procesamiento que se compone de elementos más pequeños llamados "neuronas".

¿Qué es una neurona? una neurona es la unidad básica de procesamiento que nos vamos a encontrar dentro de una red neuronal. En el siguiente vídeo nos va a quedar muy claro:

Redes multicapa

• En el siguiente vídeo, vamos a dar un paso más, para aprender los siguientes conceptos:

• Capa de neuronas y aprendizaje profundo

• Función de activación (escalonada, sigmoide, tanh y relu)

Entrenemos nuestra propia red neuronal

Vamos a utilizar una plataforma llamada "Teachable machine" para entrenar una red neuronal y clasificar objetos.

Esta es una plataforma web desarrollada por Google que permite a usuarios como nosotros crear rápidamente modelos de aprendizaje automático sin necesidad de tener conocimientos de programación. Sí, has leído bien, ¡no se necesita experiencia en programación! La plataforma se basa en un tipo de aprendizaje automático llamado aprendizaje profundo y permite entrenar modelos para reconocer imágenes, sonidos y posturas corporales.

Ahora, pongámonos manos a la obra. ¡Empecemos a enseñar a nuestras máquinas!

Desarrollo del proyecto

PASO 1

Abre el sitio web de Teachable Machine en tu navegador.

PASO 2

Haz clic en «Primeros pasos».

PASO 3

Selecciona Proyecto de imagen.  

Y en la ventana que sale, selecciona la primera opción: «Modelo de imagen estándar».

PASO 4.

Verás tres categorías: "Class 1", "Class 2" y "Anadir una clase". 

Las clases son la forma que tenemos de clasificar los objetos. Por ejemplo: si queremos distinguir entre manzanas y peras, Class 1 serían las imágenes de los distintos tipos de manzanas, y Class 2 las imágenes de los distintos tipos de peras. 

Para añadir la lista de imágenes de cada clase, podemos tomar muchas fotos de forma automática desde nuestra webcam (mostrando distintos tipos de manzanas), o directamente subir nosotros un montón de fotos distintas de manzanas que tengamos guardadas en nuestro equipo (como mínimo 20). En nuestro caso vamos a intentar que nuestro modelo reconozca lo que es un bolígrafo. Así que, pincha sobre "Class 1" y llámale "ES UN BOLI". Igualmente pincha en "Class 2" y llámale "NO ES UN BOLI".

PASO 5.

Ahora clica en el botón «Webcam» en la primera clase y comienza a tomar fotos de un objeto específico (en nuestro caso, un bolígrafo). Haz clic en el botón de la cámara para capturar cada foto. Intenta tomar diferentes fotos del objeto con diferentes ángulos y posiciones.

PASO 6.

Repite el paso 5 para la segunda clase, pero esta vez con un objeto diferente (por ejemplo, un cuaderno, una goma, un sacapuntas o cualquier otro objeto).

PASO 7.

Una vez que hayas capturado suficientes fotos para cada clase (al menos 30 para cada una), haz clic en el botón «Preparar modelo».