Page 8 - 1 REVISTA TÉCNICO/PRACTICO DE LA CARRERA DE TECNOLOGÍAS DE LA INFORMACIÓN

sólida para el análisis comparativo posterior y la permitiendo construir sistemas precisos incluso en
formulación de conclusiones fundamentadas. contextos con disponibilidad limitada de ejemplos
etiquetados. [3]
2.1 Aprendizaje supervisado:
fundamentos y aplicaciones La evaluación del rendimiento en aprendizaje
supervisado emplea métricas como accuracy,
El aprendizaje supervisado representa el paradigma precision, recall, F1-score para problemas de
pedagógico más extendido en la enseñanza de clasificación, y MAE, MSE, R² para tareas de
máquinas, caracterizado por el uso de datasets regresión, proporcionando medidas cuantitativas del
etiquetados que funcionan análogamente a ejercicios progreso del aprendiz algorítmico.
con solucionario en la educación humana. Esta
metodología instruccional se fundamenta en la En la tabla 1 se explica cada terminología utilizada en
correlación estadística entre features de entrada y este artículo.
labels de salida, permitiendo a los algoritmos inferir
funciones de mapeo que generalizan a ejemplos no Tabla 1: Conceptos importantes en I.A.
vistos previamente. N° Concepto Definición
1 Machine Inteligencia artificial que
Se presta especial atención a desafíos críticos como la Learning aprende de datos
transparencia algorítmica, la equidad en el tratamiento automáticamente.
de diferentes grupos poblacionales, la privacidad en el 2 Epistemología Ciencia que estudia el
manejo de datos sensibles y la responsabilidad legal en conocimiento y sus
la toma de decisiones automatizadas. fundamentos válidos.
3 Heurística Método práctico para
Se analizan frameworks emergentes para la resolver problemas más
gobernanza ética de sistemas de inteligencia artificial, rápido aunque imperfecto.
estándares internacionales de auditoría algorítmica y 4 Isomorfismo Correspondencia
metodologías para la detección y mitigación de sesgos estructural idéntica entre
indeseados en conjuntos de datos de entrenamiento y dos sistemas diferentes.
modelos predictivos. 5 Hermenéutica Arte o teoría de interpretar
textos y significados
La utilidad práctica del machine learning se ilustra ocultos.
mediante una selección representativa de casos de
estudio en dominios de aplicación prioritarios, 2.2 Aprendizaje no supervisado:
incluyendo ejemplos concretos de implementaciones descubrimiento autónomo de patrones
exitosas en sectores como salud digital, sostenibilidad
ambiental, educación adaptativa y seguridad El aprendizaje no supervisado constituye un enfoque
ciudadana. pedagógico fundamentalmente diferente donde la
máquina debe descubrir estructura inherente en datos
Cada caso de estudio incluye información contextual no categorizados, emulando procesos de exploración
sobre el problema abordado, la solución técnica autodirigida y descubrimiento autónomo.
implementada, los resultados cuantitativos obtenidos y
las lecciones aprendidas durante el proceso de Sin la guía de etiquetas predefinidas, los algoritmos en
desarrollo e implementación. este paradigma identifican agrupaciones naturales
(clustering), relaciones de asociación (association
Las aplicaciones paradigmáticas incluyen sistemas de rules) y reducciones dimensionales (dimensionality
clasificación binaria como detectores de correo spam - reduction) que revelan organización subyacente en
donde los modelos aprenden a distinguir entre apariencia caótica.
comunicaciones legítimas y no deseadas mediante
patrones léxicos, estructurales y contextuales- así La segmentación de clientes representa una aplicación
como modelos de regresión para predicción de valores clásica donde técnicas como K-means, DBSCAN y
continuos en dominios como forecasting financiero y Gaussian Mixture Models identifican cohortes
diagnóstico médico cuantitativo. homogéneos con comportamientos de compra,
preferencias o características demográficas similares,
La efectividad del enfoque supervisado depende permitiendo estrategias de marketing personalizado.
críticamente de la calidad, cantidad y [4]
representatividad del conjunto de datos de
entrenamiento, requiriendo procesos exhaustivos de Este paradigma resulta particularmente valioso en
limpieza, normalización y aumento de datos que dominios de exploración científica donde las
aseguren una base instruccional sólida. categorías de interés no están predefinidas, como en el
análisis de expresión génica, clasificación de galaxias
Técnicas avanzadas como data augmentation, transfer o detección de anomalías en redes complejas. Los
learning y semi-supervised learning han expandido algoritmos no supervisados funcionan como
significativamente las aplicaciones de este paradigma, herramientas de descubrimiento de conocimiento,

8