#DataScience #CienciadeDatos #BusinessAnalysis #BusinessAnalytics #Datos #Data #DataMining #MineriadeDatos #BusinessIntelligence #InteligenciadeNegocios
Hola Soy John Arias y les doy la bienvenida a data analytica un espacio dedicado a los datos. Hoy hablaremos sobre ¿Qué es el machine learning? Si prefieres ver éste blog en formato de vídeo lo puedes encontrar en:
Antes de iniciar debemos aclarar dos puntos clave para saber qué es el machine learning:
• Las personas aprenden de sus experiencias
• Las máquinas siguen instrucciones de las personas
¿Y si pudiéramos enseñar a las máquinas a aprender como lo hacen los humanos?
De ésta pregunta nacen las ciencias cognitivas, éstas se dedican a entender el proceso de adquisición de conocimiento a través de los sentidos, el pensamiento y la experiencia y están conformadas por:
• La Psicología
• La Filosofía
• La Lingüística
• La Antropología
• La Neurociencia
• La Inteligencia Artificial
Todas estas ciencias cognitivas están conformadas por diferentes subconjuntos que trabajan temas específicos.
En lo que a nosotros nos respecta el Machine Learning es un sub conjunto de la Inteligencia artificial y nace de la pregunta
¿y si las máquinas pudieran aprender de los datos que les damos?
Con el propósito de responder a ésta pregunta Científicos se dieron a la tarea de crear fórmulas complejas llamadas “algoritmos” que fueran capaces de “aprender” de los datos que les damos.
UNA ACLARACIÓN IMPORTANTE
Aprender en este contexto quiere decir identificar patrones complejos en millones de datos.
¿Cómo funcionan éstos algoritmos?
Les voy a dar un ejemplo básico. A Grandes rasgos,
Digamos que ustedes son científicos de datos de Spotify, la aplicación de música. Con éste cargo ustedes tendrían acceso a una base de datos con millones de registros donde pueden observar qué género musical y qué canciones a escuchado determinada persona.
Gracias al Machine Learning ustedes podrían alimentar un algoritmo de clusterización conocido el KNN, (K nearest neighbors / k Vecinos más cercanos) para hacer grupos de personas con gustos musicales similares.
Al aplicar el algoritmo éste les dará como resultado grupos definidos como los vemos a continuación:
¿Y para qué me sirve hacer esas agrupaciones?
Ahí es donde entra lo interesante. Digamos que yo pude identificar que uno de los clusters o agrupaciones que creó el algoritmo se caracteriza porque escuchan géneros como:
• Rock
• Death Metal
• Black Metal
• Heavy Metal
Debido a sus gustos yo definiré éste grupo de personas con características similares como el cluster M o cluster Metalero.
Como resultado de mis esfuerzos yo ya podré hacer dos cosas con el Cluster M fácilmente:
• Marketing dirigido a grupos específicos: Digamos Rammstein vuelve a Bogotá.
Yo ya sé que tengo un cluster de metaleros en mi base de datos por lo que únicamente les voy a enviar publicidad de éste evento a ellos. Esto se llama Marketing focalizado.
Así podría obtener una tasa de conversión más alta en la venta de boletos.
• Identificar usuarios nuevos con éstas características: Paquito es un nuevo usuario y escucha, estos mismos géneros como resultado se añade a mi cluster para futuras gestiones de mercadeo.
La diversión no termina ahí, porque entre el tiempo vaya pasando, vayan creándose más géneros y yo vaya teniendo más usuarios, mis agrupaciones serán mejores ya que mi algoritmo con más información aprenderá a hilar más fino y a definir mejor mis grupos. Tal vez mi grupo de metal pueda dividirse en Metal clásico o Metal nueva Era.
Con el vistazo rápido que vimos del Machine Learning les pregunto ¿Identifican casos en los que puedan aplicarlo? ¿ya habían escuchado antes de esto? ¿Les parece interesante? Me gustaría conocer su opinión en los comentarios.
Les recuerdo que para apoyar el canal y la creación del contenido de éste contenido tienen éstos recursos a disposición:
• Suscribirse
• Votar por el contenido del próximo episodio
• Seguirnos en www.johnelconsultor.com.co
Sin más que decir, esto fue Data Analytica, les doy las gracias por su tiempo y nos vemos en el próximo episodio.
Comments