Blog

Machine Learning

Forrester vs Gartner en plataformas de Data Science y soluciones de Machine Learning

¿Quién lidera en la Ciencia de los Datos, Aprendizaje de Máquinas y Análisis Predictivo? Comparamos los últimos informes de Forrester y Gartner para el Q1 de 2017, identificamos a ganadores y perdedores, y líderes fuertes contra competidores.

En marzo de 2017, la empresa líder de analistas Forrester lanzó su "Forrester Wave ™": un informe sobre Predictive Analytics y soluciones de Machine Learning del primer trimestre de 2017, escrito por Mike Gualtieri.

Predictive Analytics y Machine Learning están entre las tecnologías más importantes, y Forrester prevé una tasa de crecimiento anual compuesta del 15% (CAGR) para el mercado PAML hasta 2021.

El informe examina y evalúa a 14 empresas en términos de estrategia, oferta actual y presencia en el mercado.

Los 10 algoritmos de Machine Learning que usted necesita conocer

No hay duda de que el subcampo de Machine Learning / Inteligencia Artificial ha ganado cada vez más popularidad en los últimos dos años. Como Big Data es la tendencia más cálida en la industria de la tecnología en este momento, Machine Learning es increíblemente poderoso para hacer pronósticos o sugerencias calculadas sobre la base de grandes cantidades de datos. Algunos de los ejemplos más comunes de algoritmos de ML son los de Netflix, que hacen sugerencias de películas basándose en las que has visto en el pasado, y los de Amazon, que recomiendan libros partiendo de los que has comprado anteriormente.

Por lo tanto, si usted quiere saber más de Machine Learning, ¿cómo empezar? Mi introducción en el área fue en una clase de Inteligencia Artificial, cuando yo estaba estudiando en Copenhague. Mi orientador fue un profesor de Matemática Aplicada y CS en la Universidad Técnica de Dinamarca, que enfocaba principalmente el uso de la lógica para modelar la planificación, el raciocinio y la resolución de problemas humanos. La clase era una mezcla de discusión de conceptos teóricos y práctica de resolución de problemas. El libro didáctico que utilizamos es uno de los clásicos de la IA: la Inteligencia Artificial. Un enfoque moderno, de Peter Norvig, en el que abordamos temas importantes, incluyendo agentes inteligentes, resolución de problemas por búsqueda, investigación adversarial, teoría de la probabilidad, sistemas multiagentes, IA social, filosofía/ética/futuro de la IA. Al final de la clase, en un equipo de tres, implementamos agentes basados en la búsqueda simple, solucionando tareas de transporte en un ambiente virtual como un proyecto de programación.

Aprendí mucho gracias a la clase y decidí seguir aprendiendo sobre este tema especializado. En las últimas semanas he tenido varias conversaciones de tecnología en San Francisco sobre Deep Learning, redes neuronales, arquitectura de datos y una conferencia acerca de Machine Learning con muchos profesionales bien conocidos en el campo. Más importante aún, he hecho un curso en línea sobre Udacity Intro to Machine Learning. En este post, quiero compartir algunos de los algoritmos de Machine Learning más comunes que he aprendido con el curso.

Los algoritmos de Machine Learning se pueden dividir en 3 categorías: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje de refuerzo. El aprendizaje supervisado es útil en los casos en que una propiedad (etiqueta) está disponible para un determinado conjunto de datos (conjunto de entrenamiento). El aprendizaje no supervisado es útil en los casos en que el desafío es descubrir relaciones implícitas en un dato conjunto de datos no etiquetados (los ítems  no son preasignados ). El aprendizaje de refuerzo se encuentra entre estos dos extremos - existe alguna forma de feedback  disponible para cada paso o acción predictiva, pero sin etiqueta precisa o mensaje de error. Ya que esta era una clase introductoria, no he aprendido sobre el refuerzo de aprendizaje, pero espero que 10 algoritmos de aprendizaje supervisado y no supervisado sean suficientes para mantenerlo(a) interesado(a).