codetomake.com

¿Qué es el aprendizaje automático? | Microsoft Azure

2025.09.25 10:58



This is the Trace Id: 622eb2651f380d0fa2e5bfd666511855 Saltar al contenido principal Microsoft Azure Azure Azure Inicio Explorar Productos Populares Populares Ver todos los productos (más de 200) Fundición de IA de Azure Azure AI Foundry Agent Service Azure OpenAI en Foundry Models Seguridad del contenido de Azure AI GitHub Copilot Azure DevOps Azure Kubernetes Service (AKS) Azure Cosmos DB Azure Database for PostgreSQL Azure Arc​ Inteligencia artificial y aprendizaje automático Inteligencia artificial y aprendizaje automático Fundición de IA de Azure Azure AI Foundry Agent Service Azure OpenAI en Foundry Models Azure AI Foundry Models Búsqueda de Azure AI Voz de Azure AI Servicio de comprensión de contenido de IA de Azure Seguridad del contenido de Azure AI Servicios de Azure AI Azure Machine Learning Bases de datos + análisis Bases de datos + análisis Azure Cosmos DB Azure SQL Azure Database for PostgreSQL Redis Administrado de Azure Microsoft Fabric Azure Databricks Azure Synapse Analytics Ver todas las bases de datos Proceso Proceso Linux Virtual Machines en Azure SQL Server en Azure Virtual Machines Windows Server Azure Functions Azure Virtual Machine Scale Sets Azure Spot Virtual Machines Azure Container Apps Flota de computación de Azure Contenedores Contenedores Azure Kubernetes Service (AKS) Azure App Service Azure Functions Azure Container Instances​ Azure Spring Apps Red Hat OpenShift en Azure Azure Kubernetes Fleet Manager Azure Container Apps Azure Container Registry App Configuration Híbrido y multinube Híbrido y multinube Azure Arc​ Azure Local Microsoft Defender for Cloud Azure IoT Edge Azure Monitor Microsoft Sentinel Azure Migrate Soluciones Destacados Destacados Ve todas las soluciones (más de 40) Azure AI Migrar para innovar en la era de la IA Desarrollar y modernizar aplicaciones inteligentes Análisis de datos para la IA Infraestructura de Azure AI Nube adaptable Redes de Azure y seguridad de las redes SAP en la nube de Microsoft Azure Databases Servicios de integración Azure IA IA Azure AI IA responsable con Azure Infraestructura de Azure AI Desarrollar y modernizar aplicaciones inteligentes Minería de conocimientos Hugging Face en Azure Operaciones de aprendizaje automático (MLOps) Desarrollo de aplicaciones Desarrollo de aplicaciones Desarrollar y modernizar aplicaciones inteligentes Desarrollo y pruebas DevOps DevSecOps Informática sin servidor Modernización de las aplicaciones y los datos Desarrollo de aplicaciones con poco código en Azure Migración de nube y modernización Migración de nube y modernización Centro de migración y modernización Migrar para innovar en la era de la IA Desarrollar y modernizar aplicaciones inteligentes Migración de aplicaciones de .NET Desarrollo y pruebas Migración de SQL Server Linux en Azure SAP en la nube de Microsoft Oracle en Azure Informática confidencial de Azure Nube híbrida e infraestructura Nube híbrida e infraestructura Soluciones híbridas y multinube Copia de seguridad y recuperación ante desastres Informática de alto rendimiento (HPC) Aplicaciones críticas para la empresa Informática cuántica Recursos Recursos Arquitecturas de referencia Recursos para acelerar el crecimiento Azure Marketplace Azure Essentials Examinar el centro de soluciones empresariales de Microsoft Azure innovate y Azure Migrate and Modernize Microsoft Cloud Adoption Framework para Azure Marco de buena arquitectura de Azure FinOps en Azure Precios Cómo comprar Cómo comprar Precios de Azure Servicios de Azure gratis Cuenta de Azure Opciones de compra flexibles Ventajas e incentivos de Azure Herramientas y recursos de precios Herramientas y recursos de precios Calculadora de precios Optimiza tus costes FinOps en Azure Partners Buscar un partner Buscar un partner Azure Marketplace Buscar un partner Convertirse en partner Convertirse en partner Azure para empresas de desarrollo de software Azure para partners Unirse a Éxito de ISV Recursos Aprendizaje Aprendizaje Comenzar a usar Azure Casos de clientes Informes de análisis, e-books y notas del producto Vídeos Más información sobre la informática en la nube Recursos técnicos Recursos técnicos Documentación Obtener Azure Mobile App Recursos para desarrolladores Plantillas de inicio rápido Recursos para startups Comunidad Comunidad Comunidad de desarrolladores Estudiantes Historias de desarrolladores Novedades Novedades Blog Eventos y seminarios web Aprender Asistencia Contacto con ventas Comenzar a usar Azure Más Iniciar sesión Todo Microsoft

Global

Microsoft 365 Teams Copilot Windows Surface Xbox Ofertas Pequeñas empresas Soporte Software Software Aplicaciones Windows IA OneDrive Outlook Paso de Skype a Teams OneNote Microsoft Teams PCs y dispositivos PCs y dispositivos Comprar Xbox Accesorios Entretenimiento Entretenimiento Xbox Game Pass Ultimate Xbox y juegos Juegos para PC Empresas Empresas Microsoft Cloud Seguridad de Microsoft Azure Dynamics 365 Microsoft 365 para empresas Microsoft Industry Microsoft Power Platform Windows 365 Desarrolladores y TI Desarrolladores y TI Desarrollador de Microsoft Microsoft Learn Soporte técnico para aplicaciones del marketplace de IA Microsoft Tech Community Azure Marketplace AppSource Visual Studio Otro Otro Microsoft Rewards Seguridad y descargas gratuitas Educación Tarjetas regalo Licenciamiento Ver mapa del sitio Cancelar Qué es el aprendizaje automático (Machine Learning)

¿Qué es el aprendizaje automático?

El aprendizaje automático, un subconjunto de la IA, utiliza algoritmos para analizar datos, identificar patrones y hacer predicciones. Aprende de los datos por sí mismo, mejorando con el tiempo. Introducción a Azure ¿Qué es el aprendizaje automático? Ventajas Ventajas Técnicas aplicadas Proceso Ingeniería Características clave Casos de uso Recursos Preguntas más frecuentes TIEMPO DE LECTURA 10 minutos

¿Qué es el aprendizaje automático y cómo funciona?

El aprendizaje automático, un subconjunto de la IA, utiliza modelos matemáticos para ayudar a las computadoras a aprender de los datos sin instrucciones directas. Al usar algoritmos para identificar patrones, el aprendizaje automático crea modelos de datos que hacen predicciones. Las predicciones mejoran a medida que se recopilan y analizan más datos, al igual que los humanos aprenden de la experiencia. Esta adaptabilidad hace que el aprendizaje automático sea ideal para escenarios con datos o tareas que cambian constantemente, donde las soluciones de codificación no serían prácticas.

Puntos clave

El aprendizaje automático, un subconjunto de inteligencia artificial, permite a los equipos aprender de los datos, identificar patrones y realizar predicciones que mejoran con el tiempo. El aprendizaje automático ayuda a las organizaciones a descubrir información, mejorar la minería de datos, mejorar las experiencias de los clientes, predecir el comportamiento de los clientes, reducir el riesgo y reducir los costos. Las técnicas de aprendizaje automático incluyen aprendizaje supervisado, aprendizaje no supervisado, aprendizaje semi-supervisado, aprendizaje por refuerzo, aprendizaje profundo, aprendizaje por transferencia y aprendizaje en conjunto. Diversas industrias están usando el aprendizaje automático, incluyendo finanzas, salud, transporte, atención al cliente y agricultura. El proceso de aprendizaje automático implica recopilar y preparar datos, entrenar el modelo e interpretar los resultados. Al seleccionar una plataforma de aprendizaje automático, busca características como informática en la nube, entornos de desarrollo accesibles, soporte para marcos de aprendizaje automático familiares y seguridad de nivel empresarial. Beneficios del aprendizaje automático

Cómo el aprendizaje automático genera ROI

Descubre información

El aprendizaje automático ayuda a identificar patrones o estructuras dentro de datos estructurados y no estructurados a través del análisis de datos, descubriendo información útil para la toma de decisiones. También mejora las predicciones y se adapta a nuevos datos con el tiempo.

Mejora la minería de datos

El aprendizaje automático es excelente en minería de datos, lo que implica extraer información útil de grandes conjuntos de datos. Lleva esto un paso más allá al mejorar continuamente sus habilidades con el tiempo, lo que conduce a información más precisa y a una mejor toma de decisiones.

Mejora las experiencias del cliente

Las interfaces adaptables, el contenido dirigido, los bots de chat y los asistentes virtuales con tecnología de voz son ejemplos de cómo el aprendizaje automático ayuda a mejorar las experiencias de los clientes. Al analizar el comportamiento y las preferencias de los clientes, el aprendizaje automático personaliza las interacciones, proporciona información oportuna y relevante, y simplifica el servicio al cliente.

Reduce el riesgo

Al aprender continuamente de nuevos datos, el aprendizaje automático mejora su capacidad para detectar y evitar fraudes, lo que proporciona una protección sólida contra las amenazas en constante evolución. A medida que las tácticas de fraude evolucionan, el aprendizaje automático se adapta detectando nuevos patrones y previniendo intentos antes de que tengan éxito.

Anticipa el comportamiento del cliente

El aprendizaje automático extrae datos relacionados con el cliente para identificar patrones y comportamientos, ayudando a los equipos de ventas a optimizar las recomendaciones de productos y proporcionar las mejores experiencias al cliente posibles. Al aprender continuamente de nuevas interacciones, el aprendizaje automático predice las necesidades y preferencias futuras del cliente para apoyar un compromiso proactivo y personalizado.

Reducir costos

El aprendizaje automático reduce costos al automatizar procesos repetitivos y que consumen tiempo, permitiendo a los empleados centrarse en tareas más estratégicas y de mayor valor. Además, los algoritmos de aprendizaje automático optimizan la asignación de recursos y minimizan ineficiencias operativas al analizar grandes conjuntos de datos e identificar áreas de mejora. Esto conduce a ahorros significativos para las empresas. Técnicas de aprendizaje automático

Cómo el aprendizaje automático aprende de los datos y hace predicciones o decisiones.

Aprendizaje supervisado

Usa conjuntos de datos con etiquetas o estructura, donde los datos actúan como un maestro y "entrenan" el modelo de aprendizaje automático, aumentando su capacidad para hacer una predicción o decisión. El modelo aprende comparando sus predicciones con los resultados reales y ajustándose en consecuencia, mejorando la precisión con el tiempo.

Aprendizaje no supervisado

Usa conjuntos de datos sin etiquetas ni estructura, agrupando datos en clústeres para encontrar patrones y relaciones. Esta técnica ayuda a descubrir estructuras ocultas en los datos, siendo útil para tareas como la segmentación de clientes y la detección de anomalías.

Aprendizaje semi-supervisado

Combina datos etiquetados y no etiquetados para el entrenamiento. Esta técnica es particularmente útil cuando etiquetar datos es costoso o requiere mucho tiempo. Al usar los datos no etiquetados, el modelo de aprendizaje automático mejora su eficiencia y precisión de aprendizaje, haciendo que el aprendizaje semi-supervisado sea una técnica práctica para muchos escenarios del mundo real.

Reforzar el aprendizaje

Involucra un agente: un programa informático que actúa en nombre de alguien o algo, que reemplaza al operador humano. El agente determina el resultado basado en un bucle de retroalimentación, aprendiendo de las señales de retroalimentación para mejorar su rendimiento con el tiempo.

Aprendizaje profundo

Usa redes neuronales con muchas capas, llamadas redes neuronales profundas, para modelar patrones complejos en los datos. Este subconjunto del aprendizaje automático es particularmente efectivo para el reconocimiento de voz e imagen, y se destaca en el manejo de grandes cantidades de datos y en la resolución de problemas complejos en diversos dominios.

Transferencia de aprendizaje

Está preentrenado en una tarea y luego ajustado en una tarea relacionada. Esta técnica es útil cuando hay datos limitados para la nueva tarea. Al usar el conocimiento de la tarea inicial, el aprendizaje por transferencia mejora significativamente el rendimiento y reduce el tiempo de entrenamiento para la nueva tarea.

Aprendizaje en conjunto

Combina múltiples modelos para mejorar el rendimiento general. Al agregar las predicciones de varios modelos, el aprendizaje en conjunto mejora la precisión y robustez, superando a cualquier modelo individual. Proceso de aprendizaje automático

Cómo funciona el aprendizaje automático para solucionar problemas

Aquí tiene una visión general paso a paso del proceso de aprendizaje automático.

Pasos

Paso 1: Recopilar y preparar los datos

Una vez que se identifican los orígenes de datos, se compilan los datos disponibles. El tipo de datos  ayuda a informar qué algoritmos de aprendizaje automático utilizar. A medida que el científico de datos revisa los datos, se identifican anomalías, se desarrolla la estructura y se resuelven problemas de integridad de datos. Se realizan pasos de preprocesamiento de datos como normalización, escalado y codificación de variables categóricas para asegurarse de que los datos estén en un formato adecuado para el modelado.

Paso 2: Entrenar el modelo

Los datos preparados se dividen en dos grupos: el conjunto de aprendizaje y el conjunto de pruebas. El conjunto de entrenamiento representa una gran parte de los datos y se usa para ajustar los modelos de aprendizaje automático a la máxima precisión.

Paso 3: Validar el modelo

Cuando el científico de datos está listo para seleccionar el modelo final de datos, se utiliza el conjunto de prueba para evaluar el rendimiento y la precisión. Las métricas como la precisión, la exactitud, la recuperación y la puntuación F1 se calculan para evaluar el rendimiento del modelo en los datos no vistos.

Paso 4: Interpretar los resultados

Los científicos de datos revisan los resultados de los modelos de aprendizaje automático para extraer información, sacar conclusiones y hacer predicciones. Utilizan diversas herramientas y técnicas de visualización, como las matrices de confusión, para interpretar y evaluar el rendimiento del modelo. Características clave

¿Qué hace el aprendizaje automático?

Predecir valores

El aprendizaje automático predice valores al identificar causa y efecto entre variables. Los algoritmos de regresión crean un modelo a partir de estos valores, que luego se utilizan para hacer predicciones. Los estudios de regresión ayudan a prever el futuro, como anticipar la demanda de productos, predecir cifras de ventas o estimar resultados de campañas.

Identificar repeticiones inusuales

A menudo utilizados para detectar riesgos potenciales, los algoritmos de detección de anomalías identifican datos fuera de la norma anticipada. Los fallos de equipos, defectos estructurales, errores de texto y casos de fraude son ejemplos de cómo se utiliza el aprendizaje automático para abordar estas preocupaciones.

Seleccionar la estructura

Los algoritmos de agrupamiento revelan la estructura subyacente dentro del conjunto de datos, sirviendo a menudo como el primer paso en el aprendizaje automático. Al categorizar elementos comunes, el agrupamiento se utiliza ampliamente en la segmentación de mercado para informar sobre precios y predecir preferencias del cliente. Los algoritmos de clasificación se utilizan en el aprendizaje supervisado para asignar etiquetas predefinidas que categorizan con precisión la información. Ingeniería

El papel de los ingenieros de aprendizaje automático

Los ingenieros de aprendizaje automático transforman datos en bruto recopilados de diversas canalizaciones de datos en modelos de ciencia de datos escalables. Conectan datos estructurados a los modelos definidos por los científicos de datos. También desarrollan algoritmos y compilan programas que permiten a las máquinas, equipos y robots procesar datos e identificar patrones. Esto implica seleccionar e implementar algoritmos apropiados, entrenar y evaluar modelos, y ajustar hiperparámetros para optimizar el rendimiento.

Además de estas tareas, los ingenieros de aprendizaje automático preprocesan datos para hacerlos adecuados para el modelado, implementan modelos en entornos de producción y los monitorean y actualizan continuamente para mantener la precisión y efectividad. Al trabajar en estrecha colaboración con los científicos de datos, cierran la brecha entre la recopilación de datos y la obtención de información útil, asegurando que las soluciones de aprendizaje automático sean prácticas e impactantes.

Algoritmos de aprendizaje automático

Los algoritmos de aprendizaje automático identifican patrones dentro de los datos a través del análisis de datos. Ayudan a los científicos de datos a resolver problemas al predecir valores, identificar ocurrencias inusuales, determinar estructuras y crear categorías. La elección del algoritmo depende del tipo de datos y del resultado deseado. Por lo general, los algoritmos se clasifican por técnicas (aprendizaje supervisado, no supervisado o por refuerzo) o por funciones (clasificación, regresión, agrupación, etc.). Seleccionar el algoritmo correcto es esencial para aplicaciones efectivas de aprendizaje automático.

Más información acerca de los algoritmos del aprendizaje automático.
Casos de uso

Aprendizaje automático en diversas industrias

Las empresas de varios sectores usan el aprendizaje automático para mejorar las operaciones, mejorar la toma de decisiones e impulsar la innovación. Estos son algunos ejemplos clave de cómo se aplica el aprendizaje automático en diferentes sectores.

Banca y finanzas

La administración de riesgos y la prevención de fraudes son áreas clave donde el aprendizaje automático aporta un valor tremendo en la industria financiera.

Atención sanitaria

Mejorar herramientas de diagnóstico, apoyar el monitoreo de pacientes en tiempo real y predecir brotes de enfermedades son algunos ejemplos de cómo el aprendizaje automático ayuda a mejorar la atención al paciente.

Transporte

El aprendizaje automático está transformando el transporte al identificar anomalías en el tráfico, optimizar rutas de entrega y apoyar vehículos autónomos.

Atención al cliente

Responder a preguntas, determinar la intención del cliente y proporcionar asistencia virtual son ejemplos de cómo el aprendizaje automático es compatible con la industria del servicio de atención al cliente.

Comercio minorista

El aprendizaje automático ayuda a los vendedores a analizar patrones de compra, optimizar ofertas y precios, y usar datos para mejorar la experiencia general del cliente.

Agricultura

El aprendizaje automático mejora la agricultura al desarrollar robots para abordar la escasez de mano de obra, diagnosticar enfermedades de las plantas y monitorear la salud del suelo.

Qué buscar en una plataforma de aprendizaje automático

Al elegir una plataforma de aprendizaje automático, busque una solución que proporcione estas características críticas para el negocio.

Informática en la nube

Con una configuración e implementación sencillas, la nube es ideal para controlar cargas de trabajo de todos los tamaños, lo que le permite conectar orígenes de datos y escalar a petición, sin necesidad de conocimientos avanzados.

Entorno de desarrollo intuitivo

La plataforma ideal admite una variedad de niveles de habilidad.

Compatibilidad integrada con marcos de aprendizaje automático conocidos

Ya sea Open Neural Network Exchange (ONNX), Python, PyTorch, scikit-learn o TensorFlow, busque una plataforma que le permita trabajar con las herramientas que conoce y le gustan.

Seguridad de nivel empresarial

Elija una plataforma que proporcione gobernanza, seguridad y control a nivel empresarial para proteger su infraestructura. Recursos

Descubre más sobre el aprendizaje automático

Compile sus habilidades, comience con Azure Machine Learning y aproveche los recursos de Azure. Azure Machine Learning

Introducción a Azure Machine Learning

Más información Recursos de Azure

Explorar el centro de recursos de Azure

Accede a vídeos, informes de analistas, entrenamiento, casos prácticos, ejemplos de código y arquitecturas de soluciones. Explorar recursos Microsoft Learn

Centro de aprendizaje de Azure AI

Compile sus habilidades en IA y aprendizaje automático con planes de aprendizaje autodirigidos, videos y artículos. Iniciar el aprendizaje

Preguntas más frecuentes

Expandir todo Contraer todo 01/

¿Cuáles son los cuatro fundamentos del aprendizaje automático?

Los cuatro fundamentos del aprendizaje automático son la recopilación de datos, el entrenamiento del modelo, la evaluación del modelo y la implementación del modelo. La recopilación de datos implica reunir y preparar datos para el análisis. El entrenamiento del modelo utiliza estos datos para enseñar al algoritmo a hacer predicciones o decisiones. La evaluación del modelo evalúa el rendimiento del modelo utilizando métricas como la precisión y la exactitud. Por último, la implementación del modelo implica integrar el modelo entrenado en un entorno de producción para hacer predicciones o decisiones en tiempo real. 02/

¿Qué es la regularización en el aprendizaje automático?

La regularización en el aprendizaje automático es una técnica utilizada para prevenir el sobreajuste, que ocurre cuando un modelo tiene un buen rendimiento en los datos de entrenamiento pero un rendimiento deficiente en datos nuevos y no vistos. Los métodos de regularización más comunes incluyen la regularización L1 (Lasso) y L2 (Ridge), que añaden diferentes tipos de penalizaciones a los parámetros del modelo. Esto ayuda a mejorar la generalización del modelo a nuevos datos, lo que lleva a un mejor rendimiento en aplicaciones del mundo real. 03/

¿Qué es la recuperación en el aprendizaje automático?

Mide la proporción de instancias positivas reales que el modelo identifica correctamente. En otras palabras, la recuperación responde a la pregunta: "De todos los casos positivos, ¿cuántos predijo correctamente el modelo?" 04/

¿Cuál es un ejemplo de un modelo de aprendizaje automático?

Un ejemplo de un modelo de aprendizaje automático es un árbol de decisión. Un árbol de decisión es un algoritmo de aprendizaje supervisado utilizado para clasificación y regresión. Funciona dividiendo los datos en subconjuntos según los valores de las características de entrada, formando una estructura de decisiones en forma de árbol. Cada nodo en el árbol representa una característica, cada rama representa una regla de decisión y cada nodo hoja representa un resultado.
Los árboles de decisión son sencillos y fáciles de entender, lo que los hace ampliamente utilizados para tareas como predecir el comportamiento del cliente o diagnosticar condiciones médicas 05/

¿Cómo se relaciona el aprendizaje automático con la IA?

El aprendizaje automático es un subconjunto de la IA. En esencia, la inteligencia artificial abarca una amplia gama de tecnologías y enfoques, como el aprendizaje automático, el procesamiento del lenguaje natural y la robótica. El aprendizaje automático es una de las técnicas clave utilizadas para lograr la inteligencia artificial, permitiendo que los sistemas aprendan y se adapten automáticamente a partir de la experiencia, haciendo que las aplicaciones de IA sean más efectivas e inteligentes. 06/

¿Cómo se relaciona el aprendizaje automático con la analítica predictiva?

El aprendizaje automático es una técnica clave en la analítica predictiva, que utiliza datos históricos para predecir eventos futuros. Mejora este proceso mediante la identificación de patrones y relaciones dentro de los datos, lo que permite predicciones más precisas y escalables. Los modelos de aprendizaje automático se entrenan con datos históricos para aprender patrones subyacentes y pueden aplicarse a nuevos datos para predecir resultados. Al aprender continuamente, estos modelos mejoran su precisión predictiva, haciendo que la analítica predictiva sea más efectiva. 07/

¿Cómo se relaciona el aprendizaje automático con el aprendizaje profundo?

Mientras que el aprendizaje automático abarca una variedad de algoritmos y técnicas para aprender de los datos, el aprendizaje profundo se centra específicamente en el uso de redes neuronales profundas para lograr un alto rendimiento en tareas como el reconocimiento de imágenes y de voz. Todo el aprendizaje profundo es un subconjunto del aprendizaje automático, pero no todo el aprendizaje automático implica aprendizaje profundo. Obtener Azure Mobile App Explorar Azure ¿Qué es Azure? Comenzar a usar Azure Infraestructura global Regiones del centro de datos Confiar en tu nube Azure Essentials Casos de clientes Productos y precios Productos Precios de Azure Servicios de Azure gratis Opciones de compra flexibles FinOps en Azure Optimiza tus costes Soluciones y asistencia Soluciones Recursos para acelerar el crecimiento Arquitecturas de solución Asistencia Demostración de Azure y preguntas y respuestas en directo Partners Azure Marketplace Buscar un partner Unirse a Éxito de ISV Recursos Documentación Blog Recursos para desarrolladores Estudiantes Eventos y seminarios web Informes de análisis, e-books y notas del producto Vídeos Informática en la nube ¿Qué es la informática en la nube? ¿Qué es la multinube? ¿Qué es el aprendizaje automático? ¿Qué es el aprendizaje profundo? ¿Qué es AIaaS? ¿Qué son los LLM? ¿Qué son los SLM? ¿Qué es RAG? Español (España, alfabetización internacional) Tus opciones de privacidad Privacidad de la salud del consumidor Ponte en contacto con Microsoft Privacidad Gestionar cookies Condiciones de uso Marcas registradas Sobre nuestra publicidad Docs de cumplimiento de la UE © Microsoft 2025