codetomake.com

¿Qué es el aprendizaje automático?  |  Machine Learning  |  Google for Developers

2025.09.25 10:58



Ir al contenido principal Machine Learning Cursos básicos Cursos avanzados Guías Glosario Todos los términos Agrupamiento en clústeres Bosques de decisión Aspectos básicos GCP IA generativa Métricas IA responsable TensorFlow English Deutsch Español Español – América Latina Français Indonesia Italiano Polski Português – Brasil Tiếng Việt Türkçe Русский עברית العربيّة فارسی हिंदी বাংলা ภาษาไทย 中文 – 简体 中文 – 繁體 日本語 한국어 Acceder Cursos básicos Página principal Introducción al AA Machine Learning Cursos básicos Página principal Introducción al AA Cursos avanzados Guías Glosario Más Descripción general Introducción al aprendizaje automático Aprendizaje automático ¿Qué es el aprendizaje automático? Aprendizaje supervisado Conclusión Ponga a prueba sus conocimientos Todos los términos Agrupamiento en clústeres Bosques de decisión Aspectos básicos GCP IA generativa Métricas IA responsable TensorFlow Se usó la API de Cloud Translation para traducir esta página. Página principal Productos Machine Learning Cursos básicos Introducción al AA Enviar comentarios

¿Qué es el aprendizaje automático? Organiza tus páginas con colecciones Guarda y categoriza el contenido según tus preferencias.

El aprendizaje automático (AA) impulsa algunas de las tecnologías más importantes que usamos, desde apps de traducción hasta vehículos autónomos. En este curso, se explican los conceptos básicos del AA.

El AA ofrece una nueva forma de resolver problemas, responder preguntas complejas y crear contenido nuevo. El AA puede predecir el clima, estimar los tiempos de viaje, recomendar canciones, autocompletar oraciones, resumir artículos y generar imágenes nunca antes vistas.

En términos básicos, el AA es el proceso de entrenar un software, llamado modelo , para que realice predicciones útiles o genere contenido (como texto, imágenes, audio o video) a partir de datos.

Por ejemplo, supongamos que queremos crear una app para predecir la lluvia. Podríamos usar un enfoque tradicional o uno basado en AA. Con un enfoque tradicional, crearíamos una representación basada en la física de la atmósfera y la superficie de la Tierra, y calcularíamos grandes cantidades de ecuaciones de dinámica de fluidos. Esto es increíblemente difícil.

Con un enfoque de AA, le proporcionaríamos a un modelo de AA enormes cantidades de datos meteorológicos hasta que el modelo de AA finalmente aprendiera la relación matemática entre los patrones climáticos que producen diferentes cantidades de lluvia. Luego, le daríamos al modelo los datos meteorológicos actuales y este predeciría la cantidad de lluvia.

Comprueba tu comprensión

¿Qué es un "modelo" en el aprendizaje automático? Un modelo es una relación matemática derivada de los datos que un sistema de AA usa para hacer predicciones. Un modelo es una pieza de hardware de computadora Un modelo es una representación más pequeña de lo que estás estudiando.

Tipos de sistemas de AA

Los sistemas de AA se clasifican en una o más de las siguientes categorías según cómo aprenden a generar predicciones o contenido:

Aprendizaje supervisado Aprendizaje no supervisado Aprendizaje por refuerzo IA generativa

Aprendizaje supervisado

Los modelos de aprendizaje supervisado pueden realizar predicciones después de ver muchos datos con las respuestas correctas y, luego, descubrir las conexiones entre los elementos de los datos que producen las respuestas correctas. Esto es como un estudiante que aprende material nuevo estudiando exámenes anteriores que contienen preguntas y respuestas. Una vez que el estudiante se haya preparado con suficientes exámenes anteriores, estará listo para realizar un examen nuevo. Estos sistemas de AA son "supervisados" en el sentido de que un humano le proporciona al sistema de AA datos con los resultados correctos conocidos.

Dos de los casos de uso más comunes del aprendizaje supervisado son la regresión y la clasificación.

Regresión

Un modelo de regresión predice un valor numérico. Por ejemplo, un modelo meteorológico que predice la cantidad de lluvia, en pulgadas o milímetros, es un modelo de regresión.

Consulta la siguiente tabla para ver más ejemplos de modelos de regresión:

Situación Posibles datos de entrada Predicción numérica Precio futuro de la vivienda Metraje cuadrado, código postal, cantidad de habitaciones y baños, tamaño del lote, tasa de interés hipotecaria, tasa de impuestos a la propiedad, costos de construcción y cantidad de casas en venta en el área. Es el precio de la casa. Hora de viaje futura Condiciones de tráfico históricas (recopiladas de smartphones, sensores de tráfico, aplicaciones de transporte compartido y otras aplicaciones de navegación), distancia al destino y condiciones climáticas Es el tiempo en minutos y segundos para llegar a un destino.

Clasificación

Los modelos de clasificación predicen la probabilidad de que algo pertenezca a una categoría. A diferencia de los modelos de regresión, cuyo resultado es un número, los modelos de clasificación generan un valor que indica si algo pertenece o no a una categoría en particular. Por ejemplo, los modelos de clasificación se usan para predecir si un correo electrónico es spam o si una foto contiene un gato.

Los modelos de clasificación se dividen en dos grupos: clasificación binaria y clasificación multiclase. Los modelos de clasificación binaria generan un valor a partir de una clase que contiene solo dos valores, por ejemplo, un modelo que genera rain o no rain . Los modelos de clasificación multiclase generan un valor a partir de una clase que contiene más de dos valores, por ejemplo, un modelo que puede generar rain , hail , snow o sleet .

Comprueba tu comprensión

Si quisieras usar un modelo de AA para predecir el consumo de energía de edificios comerciales, ¿qué tipo de modelo usarías? Regresión El uso de energía se mide en kilovatios-hora (kWh), que es un número, por lo que te convendría usar un modelo de regresión. Clasificación Los modelos de clasificación predicen si algo pertenece o no a una categoría, mientras que los modelos de regresión predicen un número. Dado que el uso de energía se mide en kilovatios-hora (kWh), que es un número, te convendría usar un modelo de regresión.

Aprendizaje no supervisado

Los modelos de aprendizaje no supervisado realizan predicciones a partir de datos que no contienen respuestas correctas. El objetivo de un modelo de aprendizaje no supervisado es identificar patrones significativos entre los datos. En otras palabras, el modelo no tiene pistas sobre cómo categorizar cada dato, sino que debe inferir sus propias reglas.

Un modelo de aprendizaje no supervisado que se usa con frecuencia emplea una técnica llamada agrupamiento . El modelo encuentra los puntos de datos que demarcan las agrupaciones naturales.

Figura 1 . Un modelo de AA que agrupa en clústeres los puntos de datos similares.

Figura 2 . Son grupos de clústeres con demarcaciones naturales.

El agrupamiento en clústeres difiere de la clasificación porque las categorías no las defines tú. Por ejemplo, un modelo no supervisado podría agrupar un conjunto de datos meteorológicos según la temperatura, lo que revelaría segmentaciones que definen las estaciones. Luego, puedes intentar nombrar esos clústeres según tu comprensión del conjunto de datos.

Figura 3 . Un modelo de AA que agrupa patrones climáticos similares.

Figura 4 . Agrupaciones de patrones climáticos etiquetados como nieve, aguanieve, lluvia y sin lluvia.

Comprueba tu comprensión

¿Qué distingue un enfoque supervisado de uno no supervisado? Un enfoque supervisado recibe datos que contienen la respuesta correcta. Un enfoque supervisado recibe datos que contienen la respuesta correcta. El trabajo del modelo es encontrar conexiones en los datos que produzcan la respuesta correcta. En un enfoque no supervisado, se proporcionan datos sin la respuesta correcta. Su trabajo es encontrar agrupaciones en los datos. Por lo general, un enfoque supervisado usa el agrupamiento. Un enfoque no supervisado usa el agrupamiento en clústeres. Un enfoque no supervisado sabe cómo etiquetar clústeres de datos. Un enfoque no supervisado no sabe qué significan los clústeres de datos. Según tu comprensión de los datos, depende de ti definirlos.

Aprendizaje por refuerzo

Los modelos de aprendizaje por refuerzo realizan predicciones obteniendo recompensas o penalizaciones según las acciones que se realizan en un entorno. Un sistema de aprendizaje por refuerzo genera una política que define la mejor estrategia para obtener la mayor cantidad de recompensas.

El aprendizaje por refuerzo se usa para entrenar robots para que realicen tareas, como caminar por una habitación, y programas de software, como AlphaGo , para jugar al juego de Go.

IA generativa

La IA generativa es una clase de modelos que crea contenido a partir de la entrada del usuario. Por ejemplo, la IA generativa puede crear imágenes, composiciones musicales y chistes únicos, resumir artículos, explicar cómo realizar una tarea o editar una foto.

La IA generativa puede tomar una variedad de entradas y crear una variedad de salidas, como texto, imágenes, audio y video. También puede tomar y crear combinaciones de estos. Por ejemplo, un modelo puede tomar una imagen como entrada y crear una imagen y texto como salida, o tomar una imagen y texto como entrada y crear un video como salida.

Podemos analizar los modelos generativos según sus entradas y salidas, que suelen escribirse como "tipo de entrada" a "tipo de salida". Por ejemplo, a continuación, se muestra una lista parcial de algunas entradas y salidas para los modelos generativos:

Texto a texto Texto a imagen Texto a video De texto a código Texto a voz Imagen y texto a imagen

En la siguiente tabla, se incluyen ejemplos de modelos generativos, sus entradas y sus posibles resultados:

Modelo Entrada Ejemplo de resultado: Texto a texto ¿Quién inventó la carrera de Le Mans? Las 24 Horas de Le Mans fueron fundadas por el Automobile Club de l'Ouest (ACO), una organización automovilística fundada en 1906. La primera carrera se llevó a cabo el 26 y 27 de mayo de 1923 en el circuito de Sarthe, un circuito vial de 13.426 kilómetros (8.345 millas) ubicado cerca de la ciudad de Le Mans en Francia. La carrera se concibió originalmente como una forma de promover el ACO y la región de Sarthe.
Fuente: Bard Texto a imagen Un pulpo alienígena flota a través de un portal mientras lee un periódico.
Fuente: Imagen Texto a video Un oso de peluche fotorrealista nada en el océano en San Francisco. El oso de peluche se sumerge en el agua. El oso de peluche sigue nadando bajo el agua con peces coloridos. Un oso panda nada bajo el agua.
Fuente: Phenaki De texto a código Escribe un bucle de Python que itere sobre una lista de números y muestre los números primos. for number in numbers : # Check if the number is prime. is_prime = True for i in range ( 2 , number ): if number % i == 0 : is_prime = False break # If the number is prime, print it. if is_prime : print ( number )
Fuente: Bard Imagen a texto Este es un flamenco. Se encuentran en el Caribe.
Fuente: Google DeepMind

¿Cómo funciona la IA generativa? En términos generales, los modelos generativos aprenden patrones en los datos con el objetivo de producir datos nuevos, pero similares. Los modelos generativos son como los siguientes:

Comediantes que aprenden a imitar a otras personas observando sus comportamientos y su forma de hablar Artistas que aprenden a pintar en un estilo particular estudiando muchas pinturas en ese estilo Bandas de versiones que aprenden a sonar como un grupo musical específico escuchando mucha música de ese grupo

Para producir resultados únicos y creativos, los modelos generativos se entrenan inicialmente con un enfoque no supervisado, en el que el modelo aprende a imitar los datos con los que se entrena. A veces, el modelo se entrena más con aprendizaje supervisado o por refuerzo sobre datos específicos relacionados con las tareas que se le pueden pedir que realice, por ejemplo, resumir un artículo o editar una foto.

La IA generativa es una tecnología que evoluciona rápidamente y se descubren nuevos casos de uso constantemente. Por ejemplo, los modelos generativos ayudan a las empresas a definir mejor las imágenes de sus productos de comercio electrónico quitando automáticamente los fondos que distraen o mejorando la calidad de las imágenes de baja resolución.

Términos clave:

modelo de clasificación Agrupamiento en clústeres model política predicción modelo de regresión aprendizaje por refuerzo recompensa aprendizaje supervisado capacitación aprendizaje no supervisado

Anterior arrow_back Introducción al aprendizaje automático Siguiente Aprendizaje supervisado arrow_forward Enviar comentarios

Salvo que se indique lo contrario, el contenido de esta página está sujeto a la licencia Atribución 4.0 de Creative Commons , y los ejemplos de código están sujetos a la licencia Apache 2.0 . Para obtener más información, consulta las políticas del sitio de Google Developers . Java es una marca registrada de Oracle o sus afiliados.

Última actualización: 2025-09-17 (UTC)

¿Quieres brindar más información? [[["Fácil de comprender","easyToUnderstand","thumb-up"],["Resolvió mi problema","solvedMyProblem","thumb-up"],["Otro","otherUp","thumb-up"]],[["Falta la información que necesito","missingTheInformationINeed","thumb-down"],["Muy complicado o demasiados pasos","tooComplicatedTooManySteps","thumb-down"],["Desactualizado","outOfDate","thumb-down"],["Problema de traducción","translationIssue","thumb-down"],["Problema con las muestras o los códigos","samplesCodeIssue","thumb-down"],["Otro","otherDown","thumb-down"]],["Última actualización: 2025-09-17 (UTC)"],[[["\u003cp\u003eMachine learning (ML) is a way to train software, called a model, to make predictions or generate content using data.\u003c/p\u003e\n"],["\u003cp\u003eML systems can be categorized as supervised, unsupervised, reinforcement, or generative AI, each learning differently.\u003c/p\u003e\n"],["\u003cp\u003eSupervised learning uses labeled data to make predictions, often for regression (predicting numerical values) or classification (categorizing data).\u003c/p\u003e\n"],["\u003cp\u003eUnsupervised learning identifies patterns in unlabeled data, commonly using clustering to group similar data points.\u003c/p\u003e\n"],["\u003cp\u003eGenerative AI creates new content, such as text, images, or music, by learning patterns from existing data and mimicking them.\u003c/p\u003e\n"]]],[],null,[]]

Conéctate

Blog Bluesky Instagram LinkedIn X (Twitter) YouTube

Programas

Google Developer Program Google Developer Groups Google Developer Experts Accelerators Women Techmakers Google Cloud & NVIDIA

Consolas para desarrolladores

Google API Console Google Cloud Platform Console Google Play Console Firebase Console Actions on Google Console Cast SDK Developer Console Chrome Web Store Dashboard Google Home Developer Console Android Chrome Firebase Google Cloud Platform Google AI Todos los productos Condiciones Privacidad Manage cookies Registrarse para recibir el boletín informativo de Google for Developers Suscribirse English Deutsch Español Español – América Latina Français Indonesia Italiano Polski Português – Brasil Tiếng Việt Türkçe Русский עברית العربيّة فارسی हिंदी বাংলা ภาษาไทย 中文 – 简体 中文 – 繁體 日本語 한국어