Análisis tradicional frente a aprendizaje automático

El proceso de desarrollo de una solución basada en el aprendizaje automático es diferente al análisis tradicional. Los profesionales deben ajustar su enfoque de resolución de problemas cuando buscan implementar soluciones de aprendizaje automático.

Nota: Tanto en el análisis tradicional como en el aprendizaje automático, los profesionales suelen escribir código para realizar el análisis.

Tanto el análisis tradicional como el aprendizaje automático implican algoritmos, que son conjuntos de reglas que definen cómo se deben procesar los datos.

En el análisis tradicional, el analista examina el problema, saca conclusiones sobre cómo debe resolverse y desarrolla un algoritmo escrito específicamente para resolver el problema. Por ejemplo, un analista puede observar tendencias históricas en el mercado de valores, sacar conclusiones sobre ciertos patrones exhibidos por esas tendencias y luego escribir código para implementar un algoritmo específico para aplicar estos patrones a las tendencias actuales del mercado de valores con el fin de hacer predicciones.

En un escenario de aprendizaje automático, el analista determina el tipo de tarea que debe realizarse (por ejemplo, predecir el precio futuro de una acción en función de las tendencias actuales), luego el analista ensambla un conjunto de datos de ejemplo y considera qué tipo de algoritmo de aprendizaje sería apropiado para realizar la tarea requerida en el conjunto de datos. El analista pone la máquina en movimiento con un algoritmo adecuado, que la máquina utiliza para procesar el conjunto de datos. Después de que la máquina produce una solución, el analista evalúa qué tan bien funciona esa solución en un conjunto de datos diferente, realizando ajustes y haciendo que la máquina se vuelva a entrenar hasta que se logren resultados aceptables.

Los algoritmos de aprendizaje suelen utilizar enfoques estadísticos para revelar patrones dentro del conjunto de datos que se pueden usar posteriormente en nuevos conjuntos de datos para realizar predicciones. Dado que el conjunto de datos en sí desempeña un papel tan destacado en el entrenamiento de la máquina para resolver el problema, el aprendizaje automático a menudo se describe como controlado por datos.