If you're seeing this message, it means we're having trouble loading external resources on our website.

Si estás detrás de un filtro de páginas web, por favor asegúrate de que los dominios *.kastatic.org y *.kasandbox.org estén desbloqueados.

Contenido principal

Curso: Principios de ciencias de la computación avanzados (AP Computer Science Principles) > Unidad 5

Lección 3: Sesgo en el aprendizaje automático
Computación
Principios de ciencias de la computación avanzados (AP Computer Science Principles)
Análisis de datos
Sesgo en el aprendizaje automático
© 2024 Khan AcademyTérminos de usoPolítica de privacidadAviso de cookies

Algoritmos de aprendizaje automático

Google Classroom
El aprendizaje automático (ML en inglés) es un tipo de algoritmo que se mejora automáticamente a sí mismo basado en la experiencia, no por un programador que escribe un mejor algoritmo. El algoritmo gana experiencia al procesar más y más datos, y luego modificándose basado en las propiedades de los datos.

Tipos de aprendizaje automático

Hay muchas variedades de técnicas de aprendizaje automático, pero aquí hay tres enfoques generales:
  • Aprendizaje reforzado: El algoritmo ejecuta las acciones que serán las más recompensadas. Con frecuencia se usa en IA para juegos, o en robots de navegación.
  • Aprendizaje automático no supervisado: El algoritmo encuentra patrones en los datos no etiquetados al agrupar e identificar similaridades entre ellos. Usos populares incluyen sistemas de recomendación y publicidad enfocada.
  • Aprendizaje automático supervisado: El algoritmo analiza los datos etiquetados y aprende a asignar etiquetas de salida a datos de entrada. A menudo se usa para clasificación y predicción.
Sumerjamonos en uno de los enfoques más comunes para entender mejor cómo funciona un algoritmo de aprendizaje automático.

Redes neuronales

Un enfoque cada vez más popular para el aprendizaje automático supervisado es la red neuronal. Una red neuronal opera de manera similar a cómo pensamos que funcionan los cerebros, con entradas que fluyen a través de muchas capas de "neuronas", y que eventualmente llevan a una salida.
Diagrama de una red neuronal, con círculos que representan cada neurona y líneas que representan conexiones entre neuronas. La red comienza a la izquierda con una columna de 3 neuronas etiquetadas "Entrada". Esas neuronas están conectadas a otra columna de 4 neuronas, que se conecta a su vez con otra columna de 4, y esas neuronas están etiquetadas como "Capas ocultas". La segunda capa oculta de neuronas está conectada a una columna de 3 neuronas etiquetadas "Salida".

Entrenamiento de una red

Los programadores de computadoras en realidad no programan cada neurona. Más bien entrenan una red neuronal mediante una cantidad masiva de datos etiquetados.
Los datos de entrenamiento dependen del objetivo de la red. Si su propósito es clasificar imágenes, un conjunto de datos de entrenamiento podría contener miles de imágenes etiquetadas como "ave", "avión", etc.
Un arreglo de imágenes en 10 categorías (avión, automóvil, ave, gato, venado, perro, rana, caballo, barco, camión).
Imágenes del conjunto de datos de formación CIFAR10. Fuente de la imágen: CIFAR10
El objetivo de la fase de entrenamiento es determinar los pesos para las conexiones entre neuronas, que clasificarán correctamente los datos de entrenamiento.
Un diagrama de una red neuronal que clasifica una imagen de un avión. Partes de la imagen son alimentadas a la primera capa de neuronas, esas neuronas llevan a una capa intermedia, y esas neuronas a su vez conducen a una capa final de neuronas. Cada línea entre neuronas está etiquetado con un signo de interrogación, lo que denota un peso desconocido.
Los pesos entre las neuronas son desconocidos (etiquetados con una "?"), y la red neuronal necesita determinar los pesos que dan por resultado la clasificación correcta de cada imagen.
La red neuronal comienza con todos los pesos inicializados a valores aleatorios, por lo que sus clasificaciones iniciales están muy lejos de ser las correctas. Sin embargo, aprende de sus errores, y finalmente encuentra un conjunto de pesos que realizan el mejor trabajo posible para clasificar todos los datos de entrenamiento.
Un diagrama de una red neuronal que clasifica una imagen de un avión. Partes de la imagen son alimentadas a la primera capa de neuronas, que llevan a una capa intermedia, y esas neuronas a su vez conducen a una capa final de neuronas. Cada neurona tiene un peso (de 0 a 1). En la capa final, la neurona etiquetada "avión" tiene el peso más grande.
A cada una de las conexiones entre neuronas se le asigna un peso (representado por los tonos del verde). Una neurona multiplica cada peso de conexión por el valor de la neurona de entrada, y suma todos para llegar a un solo número (mostrado en cada neurona). La neurona solo enviará este valor a la capa siguiente, si el valor está por encima de un umbral.

Uso de la red

Cuando se le pide a la red neuronal que clasifique una imagen, usa los pesos aprendidos y produce como salida las posibles clases y sus probabilidades correspondientes.
Diagrama de una red neuronal, con círculos que representan cada neurona y líneas que representan conexiones entre neuronas. La red comienza a la izquierda con la imágen de un zorro. La imagen se descompone en 4 partes, y esas partes están conectadas a la columna de 4 neuronas, que a su vez está conectada a otra columna de 4. La segunda columna está conectada a tres salidas posibles: "Zorro (0.85)", "Perro (0.65)", y "Gato (0.25)".

Precisión

La precisión de una red neuronal depende en gran medida de sus datos de entrenamiento, tanto en cantidad como en diversidad. ¿Ha visto la red el objeto desde múltiples ángulos y condiciones de iluminación? ¿Ha visto realmente todas la variedades de ese objeto? Si queremos que una red neural entienda realmente nuestro mundo, necesitamos exponerla a su inmensa diversidad.
Las empresas, los gobiernos y las instituciones están utilizando cada vez más el aprendizaje automático para tomar decisiones por ellos. A menudo lo llaman "inteligencia artificial", pero un algoritmo de aprendizaje automático es sólo tan inteligente como sus datos de entrenamiento. Si los datos de entrenamiento son sesgados, el algoritmo es sesgado, y por desgracia los datos de entrenamiento frecuentemente son sesgados.
En los siguientes artículos, exploraremos las ramificaciones de dejar que las máquinas tomen decisiones basadas en datos sesgados.
🙋🏽🙋🏻‍♀️🙋🏿‍♂️¿TIenes alguna pregunta sobre este tema? ¡Nos encantaría responderte; tan solo pregunta en el área de preguntas más abajo!

¿Quieres unirte a la conversación?

Inicia sesión
¿Sabes inglés? Haz clic aquí para ver más discusiones en el sitio en inglés de Khan Academy.