El Machine Learning (ML), o aprenentatge automàtic, és una branca de la intel·ligència artificial (IA) que se centra en el desenvolupament d'algorismes i models que permeten a les computadores aprendre a partir de dades i millorar el seu rendiment en tasques específiques sense ser programades explícitament per a això. En altres paraules, el ML permet que les màquines prenguin decisions basades en dades, identificant patrons i fent prediccions.

Els algorismes de ML són procediments matemàtics que processen dades per aprendre i fer prediccions o decisions. Alguns dels algorismes més comuns inclouen:

• Regressió lineal: Utilitzat per predir valors continus.
• Regressió logística: Utilitzat per classificació binària.
• Arbres de decisió: Utilitzats per classificació i regressió.
• Màquines de suport vectorial (SVM): Utilitzades per classificació i regressió.
• K-Veïns més propers (K-NN): Utilitzat per classificació i regressió.
• Xarxes neuronals: Utilitzades per tasques complexes com el reconeixement d'imatges i el processament del llenguatge natural.

Les dades són el nucli del ML. Sense dades, els models no poden aprendre ni fer prediccions. Les dades poden ser de diferents tipus:

• Dades estructurades: Dades organitzades en taules, com bases de dades relacionals.
• Dades no estructurades: Dades sense una estructura predefinida, com textos, imatges i vídeos.

El procés de ML implica entrenar un model amb un conjunt de dades (conegut com a conjunt d'entrenament) i després validar el model amb un conjunt diferent de dades (conegut com a conjunt de validació) per assegurar-se que el model generalitza bé a noves dades.

• Aprenentatge supervisat: El model aprèn a partir de dades etiquetades, on cada exemple d'entrenament està associat amb una etiqueta o resultat desitjat.
• Aprenentatge no supervisat: El model aprèn a partir de dades no etiquetades, identificant patrons i estructures ocultes en les dades.

Un sistema de ML pot ser entrenat per reconèixer objectes en imatges. Per exemple, un model pot aprendre a identificar gats en fotos després de ser entrenat amb milers d'imatges etiquetades de gats.

Un model de ML pot ser utilitzat per predir el preu de l'habitatge basat en característiques com la ubicació, la mida i el nombre d'habitacions.

Les empreses poden utilitzar ML per analitzar els comentaris dels clients a les xarxes socials i determinar si els comentaris són positius, negatius o neutres.

Instruccions: Classifica les següents dades com estructurades o no estructurades.

1. Una taula de base de dades amb noms, edats i adreces de clients.
2. Un conjunt de correus electrònics.
3. Un arxiu de text amb transcripcions de converses telefòniques.
4. Un full de càlcul amb registres de vendes mensuals.

Solució:

1. Estructurades
2. No estructurades
3. No estructurades
4. Estructurades

Instruccions: Determina si els següents escenaris són exemples d'aprenentatge supervisat o no supervisat.

1. Un model que aprèn a classificar correus electrònics com a spam o no spam basat en un conjunt d'entrenament etiquetat.
2. Un model que agrupa clients en segments basats en el seu comportament de compra sense etiquetes prèvies.
3. Un sistema que aprèn a predir la temperatura basat en dades històriques etiquetades amb temperatures reals.

Solució:

1. Supervisat
2. No supervisat
3. Supervisat

El Machine Learning és una eina poderosa que permet a les màquines aprendre a partir de dades i millorar el seu rendiment en tasques específiques. Comprendre els conceptes bàsics, com els tipus d'algorismes, les dades i els processos d'entrenament i validació, és fonamental per començar a treballar en aquest camp. En els següents mòduls, aprofundirem en aquests conceptes i explorarem diferents tècniques i algorismes de ML.