El machine learning prediction es una herramienta para el análisis de información que permite que los ordenadores aprendan de sus experiencias al igual que lo hacen los seres humanos, es decir, automáticamente. Con esta finalidad se crean algoritmos o programas matemáticos, generadores de una metodología de cálculo capaz de enseñar a la máquina sin necesidad de recurrir a una ecuación preexistente que actúe como modelo.

Los algoritmos tienen la capacidad de aumentar su rendimiento de manera adaptativa, en la misma medida en que se incrementa la cantidad de muestras o datos asequibles para el aprendizaje. Con la generación masiva de información que existe en la actualidad, el machine learning ha llegado a ser un instrumento esencial en la resolución de problemas:

• Financieros: lo que permite evaluar objetivamente la capacidad crediticia de los tarjetahabientes.
• Imagenológico: un recurso utilizado en los dispositivos de reconocimiento facial y detección tanto de objetos como de movimiento.
• Biológicos: así es posible descubrir formaciones tumorales (benignas o malignas), crear nuevos medicamentos y obtener el mapa del genoma humano.
• Energéticos: en lo referido a las transformaciones y sus usos óptimos a nivel doméstico, comercial e industrial.
• Movilización: se aplica al mantenimiento preventivo de los equipos y dispositivos usados para el desplazamiento por vía terrestre aérea o marítima.
• Comunicación: se emplea en las aplicaciones que procesan el lenguaje natural, como por ejemplo el reconocimiento de voz.

Algoritmos utilizados en el aprendizaje automático

Estos programas definen patrones de respuesta natural en los datos gestionados con la finalidad de aumentar el conocimiento, ayudar a la toma de decisiones y, sobre todo, para realizar predicciones más exactas. Básicamente, se logra a través del aprendizaje supervisado y no supervisado. El primero crea modelos con datos entrantes y salientes conocidos, y permite prever salidas en el futuro. El segundo halla esquemas inespecíficos u ocultos en la información alimentada.

El aprendizaje supervisado desarrolla modelos predictivos a partir de las metodologías de:

• Clasificación: empleadas en el caso de las respuestas discontinuas o discretas, que se ordenan con base en categorías. Por ejemplo, ¿la masa detectada es un tumor maligno o benigno? Las aplicaciones más frecuentes incluyen las imágenes usadas en el sector de la salud y en el de la calificación crediticia.
• Regresión: caso en el que se predicen respuestas analógicas o continuas, como las variaciones de temperatura durante el año en una zona o las fluctuaciones en el consumo de energía. Las redes neuronales son de aplicación común en este campo.

El aprendizaje no supervisado se usa para inferir respuestas cuando se tienen datos de entrada, pero estos no han sido etiquetados. La técnica más común que se emplea en este caso es el clustering, útil en el análisis de prueba con miras a determinar patrones desconocidos. Se utiliza en la búsqueda de secuencias genéticas, estudios de mercados e identificación o reconocimiento de sólidos. La elección del procedimiento adecuado, muchas veces, se basa en el método de ensayo y error.