Los objetivos de esta sección son los siguientes:

• Que el estudiante pueda explicar qué es el machine learning.
• Que el estudiante pueda listar al menos tres aplicaciones del machine learning identificadas en su día a día.

El ML es un campo de estudio que se enfoca en sistemas computacionales que pueden aprender a partir de los datos. Esos sistemas, que frecuentemente son llamados modelos, pueden aprender a realizar una tarea en específico, a partir del análisis de muchos ejemplos de un problema en particular. Por ejemplo, un modelo de ML puede aprender a reconocer una imagen de un gato a partir de haber visto muchas y muchas imágenes de gatos.

Esta noción de aprender a partir de datos significa que el modelo de ML puede aprender una tarea específica sin ser programado explícitamente para ello. En otras palabras, el modelo de ML no es un conjunto de instrucciones, paso a paso, de cómo reconocer la imagen de un gato. En lugar de eso, el modelo aprende qué características son importantes para determinar si la imagen contiene un gato, a partir de los datos que ha analizado.

Dado que el modelo aprende a realizar esta tarea a partir de los datos, es importante saber que la cantidad y la calidad de estos son factores importantes a la hora de construir un buen modelo. Como el modelo aprende a partir de los datos, este puede ser usado para descubrir patrones ocultos y tendencias en los datos. Estos patrones y tendencias permiten extraer insights valiosos de los datos. Por esta razón, el uso del machine learning toma decisiones de tipo data-driven; es decir, decisiones a partir de los datos.

Para resumir, el campo del ML se enfoca en el estudio y construcción de sistemas computacionales que pueden ser aprendidos a base de datos, sin ser explícitamente programados para ello. Los algoritmos y técnicas de ML son usadas para construir modelos que permiten descubrir patrones ocultos y tendencias en los datos, permitiendo tomar decisiones basadas en datos.

En esta sección nos enfocaremos en:

• Describir las principales categorías del machine learning.
• Entender las diferencias entre el aprendizaje supervisado y el no supervisado.

Existen diferentes categorías de las técnicas de machine learning para diferentes problemas. Las principales categorías son las siguientes:

• Clasificación
• Regresión
• Análisis de clusters
• Reglas de asociación

En clasificación, el objetivo es predecir la categoría del input de entrada. Un ejemplo de esto es la predicción del clima, que puede ser soleado, lluvioso, nublado o ventoso. El input de entrada, en este caso, podrían ser datos de sensores que miden la temperatura, el nivel de humedad, presión atmosférica, velocidad y dirección del viento, etc. El target que se intenta predecir podría ser la categoría del tipo de clima; es decir, soleado, lluvioso, nublado o ventoso.

Otro ejemplo es clasificar un tumor como benigno o maligno. En este caso, la clasificación es de tipo binaria, pues solo hay dos categorías. Pero se pueden tener muchas más categorías también, como el problema de predicción de clima explicado previamente. Otro ejemplo es identificar dígitos escritos a mano en categorías del 0 al 9. Otros ejemplos pueden ser:

• Determinar cuán riesgosa es una persona en términos de aptitud para aplicar a un préstamo (riesgo alto, medio o bajo).
• Identificar sentimientos en un tweet o comentario; como positivos, neutrales o negativos.

Cuando el modelo tiene que predecir un valor numérico en lugar de una categoría, entonces la tarea se convierte en un problema de regresión. Un ejemplo de regresión es predecir el precio de un producto. El precio de un producto es un valor numérico y no una categoría. Por lo tanto, esta es una tarea de regresión y no de clasificación. Ahora, si se quisiera predecir si el precio del producto va a subir o va a bajar, entonces sería un problema de clasificación. Pero si estamos prediciendo el precio actual del producto, entonces es regresión.

Esa es la principal diferencia entre un problema de clasificación y uno de regresión. Algunos ejemplos de regresión:

• Estimar la demanda de un producto basado en función de la estacionalidad.
• Predecir la nota de un examen.
• Determinar la efectividad de la medicina para un paciente.
• Predecir la cantidad de lluvia.

En el análisis de clusters. El objetivo es organizar a los ítems en grupos similares. Una aplicación muy común de análisis de clusters es la segmentación de clientes. Esto implica la separación de los clientes en diferentes grupos o segmentos basados en las características de los clientes. Por ejemplo, sería muy beneficioso segmentar a los clientes entre adultos mayores, adultos, adolescentes. Estos grupos tienen diferentes gustos y afinidades y, adicionalmente, tienen diferentes comportamientos de compra. Segmentando tus clientes, en diferentes grupos, tú puedes generar campañas de marketing y publicidad de forma más efectiva, para cada uno de los grupos de interés. Al análisis de clusters también se lo conoce como clustering.

Algunos otros ejemplos de análisis de clusters son:

• Identificar áreas con topología similar (desértica, húmeda, etc.).
• Categorizar imágenes médicas en diferentes tipos de problemas.
• Determinar diferentes grupos de patrones de clima.

Cuando hablamos de análisis de asociación, el objetivo es encontrar reglas que permitan capturar asociaciones entre ítems o eventos. Las reglas son usadas para determinar cuándo los ítems o eventos ocurren juntos. Una aplicación común del análisis de asociación es conocido como market basket análisis, mismo que es usado para entender el comportamiento de compra del cliente. Por ejemplo, el análisis de asociación puede revelar que los clientes de un banco que han realizado depósitos también tienden a estar interesados en invertir en otro tipo de productos bancarios, tales como pólizas de ahorro. Este tipo de información puede ser usada para cross-selling. Según Datamining Folklore, una cadena de supermercados utiliza reglas de asociación para descubrir conexiones entre productos que aparentemente no son similares. Ellos descubrieron que muchos de los clientes que van a la tienda los domingos en la noche a comprar pañales también tienden a comprar cerveza; esa información fue usada para colocar cervezas cerca de los pañales y gracias a eso obtuvieron un gran salto en la venta de estos dos productos. Esta es la famosa conexión entre cerveza y pañales. Otros ejemplos de análisis de asociación son:

• Recomendación de ítems basados en la historia de compra y búsqueda.
• Búsqueda de ítems que se pueden vender juntos.
• Identificar páginas web a las cuales un usuario accede simultáneamente. Es decir, por ejemplo, si la persona accede a Mercado y también a Ali Express, para comparar precios de productos.

Existe otra manera de categorizar las técnicas de machine learning con base en el enfoque supervisado y no supervisado.

En el enfoque supervisado, el valor objetivo o target, que es lo que el modelo va a predecir, es brindado al modelo. Esto se refiere a que los datos con los cuales el modelo va a ser construido tienen que estar etiquetados. Retomando el ejemplo de la clasificación del clima –entre soleado, ventoso, lluvioso y nublado– todos los registros en el conjunto de datos están etiquetados con una de las cuatro categorías. En otras palabras, los datos que se encuentran etiquetados y predicen la categoría del clima constituyen un problema de aprendizaje supervisado. En general, clasificación y regresión son los problemas de aprendizaje supervisado.

En el caso del enfoque no supervisado, el target que el modelo predice es desconocido o no está disponible. Esto significa que existen datos sin etiquetar. Retomando el ejemplo del cluster de segmentación de clientes en grupos diferentes, los ejemplos en los datos no se encuentran etiquetados con el grupo correcto. En lugar de eso, la segmentación se realiza usando una técnica de clustering, para agrupar ítems basados en sus características que los clientes tienen en común. Dado que los datos no se encuentran etiquetados, la tarea de agrupar a los clientes en diferentes segmentos sería un problema de aprendizaje no supervisado.

En general, el análisis de clusters y análisis de asociación son enfoque no supervisados.

Los objetivos de esta sección son:

• Identificar los pasos del proceso de machine learning.
• Entender por qué el proceso del machine learning es un proceso iterativo.

El siguiente diagrama ilustra las etapas que intervienen en el proceso del machine learning. Es importante tener en cuenta que para ejecutar cada una de estas etapas, el propósito tiene que estar claro. Es decir, el problema u oportunidad que está siendo atendido debe ser definido claramente, a través de metas y objetivos. Por ejemplo, el propósito de un proyecto podría ser el de estudiar el comportamiento de compra de un cliente para poder definir estrategias de marketing más eficientes, con el objetivo de identificar el revenue de las ventas. El propósito el proyecto debe guiar el proceso del machine learning

Acquire. Es la primera etapa en el proceso del machine learning y consiste en obtener todos los datos disponibles relacionados con el problema. En este punto tenemos que identificar todas las fuentes de datos, recolectar los datos y, finalmente, integrar los datos de las diferentes fuentes.

Prepare. El segundo paso en el proceso de machine learning es el de preparación de los datos. Este proceso está dividido en dos partes: exploración y preprocesamiento.

La primera parte de la preparación de los datos; es decir, la exploración de los datos, implica una exploración preliminar de los datos, con el objetivo de entender la naturaleza de los datos con los cuales vamos a trabajar. Algunas de las cosas que tenemos que entender acerca de los datos incluyen sus características, formato y calidad. Un buen entendimiento de los datos implica generar un análisis más informado y un resultado más exitoso.

La segunda parte de la preparación de los datos es el preprocesamiento. Esta parte incluye la limpieza de los datos, la selección de las variables por usar y transformar los datos para hacerlos más adecuados para el análisis de datos, que corresponde a la siguiente etapa.

Analyze. En esta etapa se seleccionan las técnicas analíticas que se van a usar, se ejecuta la construcción de un modelo usando los datos y la evaluación de los resultados.

Report. El cuarto paso en el proceso del machine learning es comunicar los resultados. Esto incluye la evaluación de los resultados respecto de los objetivos definidos para el proyecto, presentar los resultados en una forma fácil de entender y comunicar los resultados a otros.

El último paso es aplicar los resultados. Esto nos lleva al propósito del proyecto. ¿Cómo pueden ser usados los insights de nuestro análisis para brindar un marketing efectivo para incrementar el revenue de las ventas? El enfoque principal de la etapa de acción es determinar las acciones que se deben realizar en función de los insights obtenidos.

Nótese que el proceso de machine learning es iterativo. Descubrimientos de una de las etapas podrían requerir que etapas anteriores se repitan con información nueva. Por ejemplo, durante la etapa de preparación podríamos encontrar algunos problemas de calidad, que requieran regresar a la etapa de adquisición, para que esos issues puedan ser solventados.

Cada una de las etapas podrían requerir varias iteraciones. Por ejemplo, es común aplicar diferentes técnicas de análisis en la etapa de análisis, con el objetivo de obtener resultados razonables para el modelo. Es importante reconocer que este es un proceso altamente iterativo y no un proceso lineal.

Los objetivos de esta sección son los siguientes:

• Resumir en qué consiste CRISP–DM.
• Listar las fases de CRISP-DM.
• Describir los objetivos de cada fase.

CRISP-DM es un modelo de proceso que describe las etapas en un proceso de data mining; seguramente has escuchado que CRISP-DM puede ser entendido como una forma de capturar el proceso de data science o el proceso de machine learning también. CRISP–DM es el acrónimo para Cross Industry Standard Process para proyectos de data mining. El siguiente diagrama muestra cada una de las fases de CRISP – DM.

Las fases son:

• Business Understanding
• Data Understanding
• Data Preparation
• Modeling
• Evaluation
• Deployment

La primera fase de CRISP – DM es el business understanding, al igual que en cualquier proyecto, la primera fase es entender por qué estamos haciendo esto. Tenemos que definir el problema del negocio, cuál es el problema o la oportunidad para atender, qué es lo que esperamos ganar al trabajar en este proyecto. Luego, tenemos que evaluar la situación, cuáles son los recursos disponibles, qué riesgos existen, que costos hay y qué beneficios podríamos tener.

También implica definir las metas, objetivos y definir el criterio de éxito. Qué es lo que esperamos lograr al finalizar este proyecto. Al final de esta etapa, deberíamos entender el problema que queremos afrontar. Una vez que sepamos la pregunta que queremos responder, podemos definir un plan para que podemos responderla; en otras palabras, brinda la solución al problema.

La segunda etapa del CRISP –DM es el data understanding. Esta fase tiene dos partes, la adquisición de los datos y la exploración de los datos. Tal y como suponemos, la adquisición de los datos implica identificar, recolectar e integrar todos los datos relacionados con el problema que debe ser atendido. Mientras que la exploración de los datos significa una exploración preliminar de los datos con los que se va a trabajar.

La siguiente esta es la data preparation. El objetivo aquí es preparar los datos para modelar. Las actividades en esta fase son: atender issues en la calidad de los datos, seleccionar los feature a usar y procesar los datos para hacerlos más adecuados para ser usados en la etapa de modelado.

La cuarta fase es modeling, que consiste en usar los datos obtenidos en la etapa anterior para crear un modelo de machine learning. Primero tenemos que determinar el tipo de problema que tenemos. ¿Es un problema de clasificación o de regresión? Luego debemos seleccionar la técnica de modelado o algoritmo. Después se crea el modelo usando los datos preparados.

En la fase cinco se evalúan los resultados. El performance del modelo necesita ser evaluado, y esos resultados tienen que ser evaluados con el criterio de éxito definido en la primera etapa. Al final de esta etapa, se toma la decisión de seguir o no seguir con la siguiente etapa; caso contrario, hay que decidir a qué etapa retrocedemos: a la etapa de limpieza de datos, a la parte de entendimiento de los datos o si incluso necesitamos recolectar más datos.

La fase final en el proceso de CRISP-DM es el deployment, dependiendo de los requerimientos del proyecto, la fase de deployment puede ser simplemente crear un reporte final o puede ser algo más complejo, como implementar el modelo e integrarlo en un proceso ya existente.

En esta etapa, necesitamos o generar un reporte final o presentación para documentar y comunicar los descubrimientos del proyecto a otros. Esto suele incluir el performance del modelo y la respuesta de los objetivos del negocio que fueron definimos para el proyecto. El deployment del modelo significa integrarlo a una aplicación o proceso. Crear un plan para monitorear el modelo. Esto es necesario para evaluar el impacto del modelo en nuestro proceso o aplicación.

Como habrás notado, hay muchas similitudes entre el proceso de machine learning y la metodología CRISP – DM. El diagrama anterior muestra cómo los pasos del proceso de machine learning machean con las fases del CRISP–DM. Los objetivos y actividades son similares, pero organizados de forma diferente. El proceso pone más énfasis en resultados accionables, mediante la generación explícita de reportes, para resultar la importancia de convertir los insights en acciones en un proyecto de machine learning.