Machine learning (aprendizaje automático)
Predecir a partir de los datos, más que explicar por qué ocurren
DEFINICIÓN
El machine learning usa algoritmos que aprenden relaciones o patrones a partir de los datos para predecir o clasificar, sin que una persona programe explícitamente esas reglas.
EN PALABRAS SIMPLES
Mientras la estadística inferencial suele centrarse en explicar relaciones o estimar parámetros, el machine learning prioriza construir modelos que predigan correctamente datos nuevos, aunque a veces sean difíciles de interpretar.
Conexión: muchos modelos de ML son excelentes detectando patrones (ver la infografía Patrón vs. mecanismo), pero no siempre explican el mecanismo que los genera.
APRENDIZAJE SUPERVISADO
El modelo aprende de datos ya etiquetados (ej. fotos marcadas como “gato” / “no gato”) para predecir la etiqueta de datos nuevos. Incluye regresión y clasificación.
APRENDIZAJE NO SUPERVISADO
El modelo busca estructura en datos sin etiquetas (ej. agrupar clientes con comportamientos similares). Incluye clustering y reducción de dimensionalidad.
También existe el aprendizaje por refuerzo, donde un agente aprende a partir de recompensas y castigos que recibe por sus acciones (ej. un programa que aprende a jugar ajedrez).
ENTRENAMIENTO Y EVALUACIÓN
Los datos se dividen en un conjunto de entrenamiento (para ajustar el modelo) y uno de prueba (para evaluar qué tan bien predice datos que nunca vio); muchos proyectos añaden además un conjunto de validación para ajustar el modelo antes de la prueba final.
SOBREAJUSTE (OVERFITTING)
Ocurre cuando el modelo memoriza el ruido de los datos de entrenamiento en vez de aprender el patrón real: predice muy bien ahí, pero mal ante datos nuevos.
Métricas comunes según el problema: exactitud, precisión y sensibilidad para clasificación; error cuadrático medio (RMSE) para regresión. Herramientas de evaluación: la validación cruzada (cross-validation) estima qué tan bien generaliza el modelo a datos nuevos.
FORTALEZAS
Maneja bien relaciones complejas o no lineales y datos de alta dimensión, escala con grandes volúmenes de datos, y prioriza la capacidad predictiva.
LIMITACIONES
Muchos modelos son difíciles de interpretar (“cajas negras”) —aunque hoy existen herramientas de explicabilidad (XAI) que ayudan a interpretarlos, sin eliminar del todo ese carácter—, pueden reproducir sesgos presentes en los datos de entrenamiento, y un buen desempeño predictivo no implica identificar relaciones causales.
EN RESUMEN
El machine learning prioriza la predicción por sobre la explicación: aprende relaciones o patrones directamente de los datos y se evalúa principalmente por su capacidad de generalizar a datos nuevos, más que por la significancia estadística de sus parámetros. Es una herramienta poderosa, pero complementaria —no sustituta— de la inferencia estadística clásica.
Manuel Spínola · ICOMVIS-UNA
Cómo citar
@online{spínola2026,
author = {Spínola, Manuel},
title = {Machine learning (aprendizaje automático)},
date = {2026-07-28},
url = {https://mspinola-infografias.netlify.app/infografias/estadistica/paradigmas/machine_learning.html},
langid = {es}
}