En lugar de programar las reglas manualmente, basta con introducir ejemplos y dejar que el algoritmo encuentre patrones. El aprendizaje automático crea modelos que mejoran con los datos y ahora es la base de la búsqueda, las recomendaciones, la detección de fraudes y el reconocimiento de voz.

El campo se divide según el tipo de supervisión. El aprendizaje supervisado utiliza datos etiquetados. El aprendizaje no supervisado encuentra estructuras sin etiquetas. El aprendizaje por refuerzo aprende a partir de señales de recompensa mediante la interacción. Cada método se adapta a diferentes problemas.

paradigmas de aprendizaje comunes

• Aprendizaje supervisado a partir de etiquetas
• Aprendizaje no supervisado a partir de la estructura
• Aprendizaje por refuerzo a partir de la recompensa
• Aprendizaje semisupervisado a partir de datos mixtos
• Aprendizaje autosupervisado a partir de tareas de pretexto

Los datos determinan los resultados. Un modelo simple basado en datos limpios y relevantes suele ser más eficaz que un modelo complejo basado en datos con ruido. Los profesionales dedican la mayor parte de su tiempo a la recopilación, limpieza y validación de datos, no a la búsqueda de la arquitectura adecuada.