Módulo 01 · Fundamentos
Un modelo no «piensa»: ajusta números hasta que su error baja. Esta lección explica el mecanismo completo — datos, función de pérdida, optimización y evaluación — para que puedas interpretar cualquier resultado sin mitos.
1959
Año en que Arthur Samuel describe el aprendizaje automático como la capacidad de un programa de mejorar con la experiencia, en el contexto de sus programas de damas.
3
Familias de aprendizaje que cubren casi todos los casos reales: supervisado, no supervisado y por refuerzo. Cada una define qué tipo de dato necesita.
80/20
Reparto habitual entre datos de entrenamiento y datos de prueba. Si evalúas con los mismos ejemplos con los que entrenaste, la métrica no vale nada.
2
Formas de fallar que resumen el 90 % de los problemas: sobreajuste (memorizar) y subajuste (no aprender la estructura del dato).
Conviene empezar por la definición operativa: el aprendizaje automático es una rama de la informática en la que un programa no recibe reglas escritas a mano, sino ejemplos. En lugar de redactar instrucciones del tipo «si el mensaje contiene esta palabra, clasifícalo como spam», se entrega al sistema un conjunto de mensajes ya etiquetados y se deja que el algoritmo ajuste sus propios parámetros internos. Observe la consecuencia: el comportamiento final no lo decide quien programa, lo decide la distribución de los datos.
De ahí se deriva el objetivo real de un modelo, que no es recordar el pasado sino generalizar. Un sistema que acierta en el 100 % de los ejemplos de entrenamiento pero falla con datos nuevos no ha aprendido nada útil: ha memorizado. Por eso, todo el proceso se organiza alrededor de una pregunta única: ¿cómo se comporta esta función ante casos que nunca vio?
Definición de trabajo
Un modelo es una función con parámetros ajustables. El entrenamiento es el procedimiento que busca los valores de esos parámetros que minimizan el error medio sobre los datos disponibles. Nada más, y nada menos: el resto son variantes de ese mismo esquema.
También es importante entender qué no es. No es una base de datos con respuestas guardadas, ni una fuente de verdad. Es una aproximación estadística que hereda todos los sesgos y huecos de su conjunto de entrenamiento. Si quieres revisar el marco general del proyecto y cómo se organizan estos módulos, consulta la página Sobre el Portal.
Da igual que hablemos de una regresión logística o de un transformador: el esqueleto es el mismo. Vamos a desmontarlo paso a paso, porque cada decisión de este ciclo determina la calidad del resultado final.
Se reúnen los ejemplos y se corrigen duplicados, valores ausentes y errores de escala. Esta fase consume más tiempo que el entrenamiento en sí, y con razón: un dato mal etiquetado introduce ruido que ningún algoritmo posterior puede eliminar.
Se selecciona una familia de funciones con capacidad suficiente para representar el patrón, pero no tanta como para memorizar el ruido. Aquí aparecen los hiperparámetros: profundidad, número de capas, tasa de aprendizaje.
Se define numéricamente qué significa «equivocarse». En clasificación se usa habitualmente la entropía cruzada; en regresión, el error cuadrático medio. Sin esta métrica no hay nada que optimizar, porque el algoritmo solo sabe minimizar un número.
El descenso de gradiente calcula en qué dirección mover cada parámetro para reducir la pérdida y repite el proceso por lotes. La tasa de aprendizaje controla el tamaño del paso: demasiado grande y el error oscila, demasiado pequeña y el entrenamiento no termina nunca.
Se mide el rendimiento sobre el conjunto de prueba, que el modelo no vio. Solo entonces se puede afirmar algo sobre su utilidad. Este paso se detalla en Ejemplos Prácticos de IA.
La clasificación depende de una sola pregunta práctica: ¿tengo etiquetas? Si la respuesta es sí, se puede medir el error directamente. Si es no, hay que buscar estructura sin referencia externa. Y si el sistema aprende por interacción, el bucle se cierra con una recompensa.
Tipo 01
Cada ejemplo llega con su respuesta correcta. El modelo aprende a mapear entrada y salida y se evalúa comparando. Es la ruta para clasificación de correo, predicción de precios y diagnóstico asistido. Necesita datos etiquetados, que suelen ser caros de producir.
Repasar este móduloTipo 02
No hay etiquetas. El algoritmo agrupa o comprime: clustering de clientes, detección de anomalías, reducción de dimensionalidad. El resultado exige interpretación humana, porque el sistema encuentra estructura pero no la nombra.
Ver redes neuronalesTipo 03
Un agente actúa, recibe una recompensa y ajusta su política. No hay respuestas correctas por ejemplo, sino consecuencias. Se aplica en control, planificación y ajuste fino de modelos de lenguaje a partir de preferencias humanas.
Buenas prácticas con LLMLa mayoría de los tropiezos iniciales no vienen de la matemática, sino de decisiones mal tomadas antes de escribir la primera línea de código. Estos son los cuatro que aparecen con más frecuencia en proyectos reales.
Con este marco claro, el siguiente paso natural es entender cómo se componen las capas de una red neuronal y por qué esa composición permite representar funciones que un modelo lineal no alcanza. Después conviene revisar cómo interactuar con modelos de lenguaje: ahí la calidad del resultado depende tanto del modelo como de la formulación de la instrucción.
Recomendamos seguir el orden propuesto en la página principal de Acceso a la Inteligencia Artificial, que agrupa los módulos por dificultad y añade ejercicios de repaso.
Leer el módulo de redes neuronalesFin del módulo 01
Continúa con los conceptos clave de redes neuronales o pasa directamente a las buenas prácticas de interacción con modelos LLM. Ambos módulos parten de lo explicado aquí.
Markdex IA es un proyecto educativo independiente. No mantiene vínculo, patrocinio ni representación con entidades públicas, organismos oficiales, proveedores comerciales ni titulares de marcas mencionadas a lo largo de los contenidos. Las referencias a productos o tecnologías se incluyen únicamente con fines explicativos y pertenecen a sus respectivos propietarios.