2 1 Qué es el machine learning

 Curso Doméstico: Introducción al Machine Learning

Lección 1: ¿Qué es el Machine Learning y en qué se diferencia de la programación regular?

---

Objetivo de la lección

Comprender qué es el Machine Learning (ML), cómo funciona a alto nivel y en qué se diferencia de la programación tradicional.

---

1. ¿Qué es el Machine Learning?

El Machine Learning es una rama de la inteligencia artificial que permite a las máquinas aprender a partir de datos, sin ser programadas explícitamente para cada tarea.

En lugar de escribir reglas paso a paso, le damos al modelo:

• Muchos datos de entrenamiento (ej: imágenes de perros y gatos).

• Un algoritmo que ajusta parámetros internos mediante modelos matemáticos y estadísticos.

• Un objetivo: que el modelo generalice y pueda hacer predicciones con datos nuevos que nunca ha visto.

Ejemplo práctico:

Imagina que quieres un sistema que distinga entre fotos de perros y gatos.

1. Entrenamiento: Alimentas el modelo con miles de imágenes etiquetadas como "perro" o "gato".

2. Aprendizaje: El modelo analiza patrones (forma de las orejas, tamaño de los ojos, etc.).

3. Predicción: Cuando le muestras una imagen nueva, te dirá "es un perro" o "es un gato" con cierta probabilidad.

---

2. Machine Learning vs. Programación Regular

Programación tradicional (sin ML):

• Lógica explícita: Tú escribes cada regla.

• Estructura típica: Si A, entonces B. Si C, entonces D.

• Responsabilidad: El programador debe anticipar todos los casos y codificar la solución.

Ejemplo sin ML:
Un filtro de spam basado en reglas manuales:

python

if "gana dinero fácil" in email:
    marcarlo_como_spam()
elif "oferta exclusiva" in asunto:
    marcarlo_como_spam()
else:
    no_es_spam()

Problema: Hay que actualizar constantemente las reglas y no escala bien.

Programación con Machine Learning:

• Lógica aprendida: El modelo descubre las reglas a partir de los datos.

• Papel del programador:

  1. Conseguir datos suficientes y de calidad.

  2. Elegir el algoritmo adecuado.

  3. Entrenar el modelo y evaluarlo.

• Ventaja: Aprende patrones complejos que un humano no podría codificar manualmente.

Ejemplo con ML:
Entrenamos un modelo con miles de correos etiquetados como "spam" o "no spam". El modelo identifica por sí solo patrones en el texto, remitente, etc., y generaliza para detectar spam nuevo.

---

3. Analogía: El panel de control con perillas ajustables

Piensa en un modelo de ML como un gran panel de control con millones de perillas (parámetros).

• Al inicio, las perillas están en posiciones aleatorias (el modelo no sabe nada).

• Durante el entrenamiento, el algoritmo:

  1. Recibe datos de entrada (ej: una imagen).

  2. Ajusta las perillas para producir una salida (ej: "perro").

  3. Compara su predicción con la etiqueta real.

  4. Si se equivoca, ajusta las perillas un poco para mejorar.

• Repite esto miles/millones de veces hasta que las predicciones sean correctas la mayoría de las veces.

Una vez entrenado, el panel queda fijo y puede usarse para predecir con datos nuevos.

---

4. Resumen de diferencias clave

Programación Regular	Machine Learning
Lógica escrita por humanos	Lógica aprendida de los datos
Reglas explícitas (if/else)	Modelo con parámetros ajustables
Escala mal con problemas complejos	Escala bien con grandes datos
Solución estática	Modelo mejora con más datos
Ej: Calculadora, menú digital	Ej: Recomendaciones de Netflix, asistentes de voz

---

5. Lo que viene en el curso

1. Lección 2: Tipos de problemas que resuelve ML (clasificación, regresión, clustering, etc.).

2. Lección 3–6: Algoritmos básicos de ML (regresión lineal, árboles de decisión, SVM, etc.) y práctica con problemas reales.

3. Lección 7–9: Introducción a Deep Learning y redes neuronales.

4. Lección 10–12: Clasificación de imágenes con redes neuronales convolucionales.

5. Lección 13–14: Transferencia de aprendizaje (usar modelos preentrenados).

6. Proyecto final: Tu propio clasificador de imágenes.

---

Ejercicio de reflexión

Piensa en una tarea que haces diariamente (como ordenar correos, recomendar música o predecir el tráfico).

• ¿Cómo la resolverías con programación tradicional?

• ¿Cómo la resolverías con Machine Learning?
  Escribe 2 diferencias concretas en tu cuaderno.

---

✅ Has completado la Lección 1.
En la siguiente lección exploraremos qué tipos de problemas puedes resolver con Machine Learning y conocerás algunos algoritmos básicos.