Aprendizaxe automática

A aprendizaxe automática (en inglés: machine learning) é un subcampo da enxeñaría e da ciencia da computación que evolucionou do estudo de recoñecemento de padróns e da teoría da aprendizaxe computacional en intelixencia artificial^[1]. En 1959, Arthur Samuel definiu a aprendizaxe automática como o "campo de estudo que da aos computadores a habilidade de aprender sen seren explicitamente programados"^[2]. A aprendizaxe automática explora o estudo e construción de algoritmos que poden aprender dos seus erros e facer previsións sobre datos^[3]. Estes algoritmos operan construíndo un modelo a partir de entradas co fin de facer previsións ou decisións guiadas polos datos no canto de simplemente seguindo inflexíbeis e estáticas instrucións programadas. Mentres que na intelixencia artificial existen dous tipos de raciocinio (o indutivo, que extrae regras e padróns de grandes conxuntos de datos, e o dedutivo), a aprendizaxe automática só se ocupa do indutivo.

Tipos de aprendizaxe automática

A aprendizaxe automática pode clasificarse en tres tipos principais: supervisada, non supervisada e por reforzo. Ademais, a aprendizaxe profunda (deep learning) é unha subdisciplina da aprendizaxe automática que se centra no uso de redes neuronais con varias capas (deep ou "profundas") que simulen o comportamento do cerebro humano para o procesamento de datos e a detección de padróns para a toma de decisións.

• A aprendizaxe supervisada implica adestrar un modelo con datos etiquetados, onde as respostas correctas son coñecidas e o algoritmo aprende a predícelas.
• A aprendizaxe non supervisada implica descubrir patróns en datos sen etiquetar, onde as respostas correctas non son coñecidas.
• A aprendizaxe por reforzo implica aprender a tomar decisións a través da experimentación e recompensa, onde as respostas correctas non son coñecidas de antemán, pero o modelo aprende a través da experiencia.