ML permite a las máquinas aprender de los datos y comportarse de forma probabilística para resolver problemas optimizando para un objetivo dado. Esto se opone a la programación tradicional, en la que un programador escribe instrucciones paso a paso que describen cómo resolver un problema. Esto hace que el ML sea especialmente útil para construir sistemas para los que no podemos definir una solución heurística.
La Figura 1-1 describe dos formas de escribir un sistema para detectar gatos. A la izquierda, un programa consiste en un procedimiento que se ha escrito manualmente. A la derecha, un enfoque ML aprovecha un conjunto de datos de fotos de gatos y perros etiquetadas con el animal correspondiente para permitir que un modelo aprenda el mapeo de la imagen a la categoría. En el enfoque ML, no hay ninguna especificación de cómo debe conseguirse el resultado, sólo un conjunto de entradas y salidas de ejemplo.
Figura 1-1. De definir procedimientos a mostrar ejemplos
El ML es potente y puede desbloquear productos totalmente nuevos, pero como se basa en el reconocimiento de patrones, introduce un nivel de incertidumbre. Es importante identificar qué partes de un producto se beneficiarían del ML y cómo enmarcar un ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month, and much more.
