Ejercicio con un algoritmo de Machine Learning: definir qué es un gato

Autor: | Última modificación: 23 de noviembre de 2022 | Tiempo de Lectura: 3 minutos
Temas en este post:

En este post realizaremos un ejercicio con un algoritmo de Machine Learning. ¿Podrías decirle a una máquina qué es un gato, darle una definición precisa?

Recordemos que el machine learning es una disciplina asociada al Big Data que es útil cuando no se puede utilizar una fórmula que describa la realidad, pero sí se dispone de datos para construir una solución empírica.

Ejercicio con un algoritmo de Machine Learning

Ejercicio con un algoritmo de Machine Learning

¿Podrías definir qué es un gato? Seguramente la respuesta sea simple: por supuesto que sí.

Si le hacemos esta pregunta a un niño pequeño o si le enseñamos un dibujo de un gato, ese niño lo va a identificar sin ningún tipo de problema. Va a reconocer que eso, por muy simplificado que esté, es un gato.

Este es quizás un ejercicio que nos parece sencillo, porque lo hacemos de forma casi instintiva.

Aun así, aquí también influyen los constructos socioculturales. En la película Canino, puedes evidenciar cómo todos estos constructos sociales y factores culturales de los que hablamos y que configuran nuestra forma de ver el mundo y la conceptualización que tenemos de él, se desdibujan.

De hecho, incluso los gatos se reconocen entre sí. No es algo limitadamente humano, sino que, en cierto sentido, se vuelve instintivo a medida que lo interiorizamos.

Si quisiéramos hacer un ejercicio con un algoritmo de machine learning o aprendizaje automático con esta misma idea, es bastante difícil hacerlo, porque en este caso ya la definición de gato no es tan clara.

¿Cómo defines qué es un gato? Mostrar una imagen y preguntar e qué animal se trata es una tarea simple para un niño, pero ahora vamos un paso más allá y debemos buscar una definición. Una regla que podamos seguir para discriminar sin errores o, al menos, con pocos errores qué es un gato es preguntarnos: ¿cómo haríamos eso con el ejercicio con un algoritmo de Machine Learning?

  • Tiene muchos pelos por todo el cuerpo.
  • Tiene dos orejas en forma de pico.
  • Ronronea.
  • Tiene garras.
  • Tamaño y peso.
  • Proporción cabeza-cuerpo.

La mayoría de las características que hemos mencionado funcionan para diferentes animales o grupos de animales en el ejercicio con un algoritmo de Machine Learning

Esto se podría mitigar si tenemos tamaño y peso, aunque hay que tener claro que estos factores no son datos que podamos extraer de una imagen.

Una característica que sí podría llegar a ser muy útil es la proporción cabeza – cuerpo.

Hemos dado una serie de reglas e, incluso, podríamos dar más para el ejercicio con un algoritmo de Machine Learning, como que la posición de la nariz o la separación o tamaño de los ojos. En definitiva, hay un conjunto de reglas que podríamos llegar a intentar programar de forma explícita para reconocer un gato.

Los resultados de todas esas reglas en conjunto, suponiendo que pudiéramos programarlas, ya que es sumamente difícil programar un algoritmo para enseñarle a reconocer lo que es un bigote de lo que no, serían bastante malos o mediocres. No serían nulos, pero serían bastante cuestionables debido a la dificultad misma de definir, por medio de una imagen, qué es un gato a través de un ejercicio con un algoritmo de Machine Learning

Sin embargo, nosotros, como seres humanos, somos totalmente capaces de elegir de manera precisa y eficaz, entre diferentes fotos, la de un gato, o de definir, a partir de la foto de un gato, ese animal, de reconocerlo.

Esta dificultad para enseñarle a una máquina radica, precisamente, en la forma en la que aprendemos nosotros.

Somos seres sociales y en constante relación con nuestro entorno. Todo lo que percibimos y conocemos ha estado influido por una serie de conductas socioculturales, políticas, religiosas, económicas y de otras índoles. De ahí que decirle a una máquina cómo definir o reconocer ciertas cosas que coexisten con nosotros y habitan en el mismo espacio sea una tarea tan complicada y de dudoso éxito.

¿Quieres seguir aprendiendo?

Como has podido observar, hay muchos factores que no tienen que ver directamente con programación que están implicados en el machine learning; entre estos factores se encuentra la forma en la que aprende el cerebro y cómo recibe diferentes estímulos y conceptos.

Si quieres seguir aprendiendo sobre este ejercicio con un algoritmo de Machine Learning, te invitamos a que formes parte de nuestro Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp, una formación intensiva en la que adquirirás todos los conceptos necesarios para convertirte en un gran data scientist e incursionar rápidamente en un mercado laboral lleno de oportunidades. ¡Anímate y solicita más información!

👉 Descubre más del Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp ¡Descarga el temario!

👉 Prueba el Bootcamp Gratis por una Semana ¡Empieza ahora mismo!

👉 Conoce nuestros otros Bootcamps en Programación y Tecnología

[email protected]

¿Trabajo? Aprende a programar y consíguelo.

¡No te pierdas la próxima edición del Aprende a Programar desde Cero Full Stack Jr. Bootcamp!

 

Prepárate en 4 meses, aprende las últimas tecnologías y consigue trabajo desde ya. 

 

Solo en España hay más de 120.400 puestos tech sin cubrir, y con un sueldo 11.000€ por encima de la media nacional. ¡Es tu momento!

 

🗓️ Próxima edición: 13 de febrero

 

Reserva tu plaza descubre las becas disponibles.