El **[[aprendizaje]] [[automático]]** o **[[machine learning]] (ML)** es una rama de la inteligencia artificial (IA) que permite a los sistemas computacionales aprender y mejorar automáticamente a partir de la experiencia, sin ser explícitamente programados para realizar tareas específicas. Utiliza algoritmos que procesan datos para identificar patrones, hacer predicciones o tomar decisiones.

---

### Características principales del aprendizaje automático:
1. **Aprendizaje basado en datos:**
   - Requiere un conjunto de datos inicial para "entrenar" el modelo.
   - Los datos pueden ser estructurados (tablas, bases de datos) o no estructurados (imágenes, texto, audio).

2. **Generalización:**
   - El modelo aprende a realizar tareas en nuevos datos basándose en patrones aprendidos durante el entrenamiento.

3. **Automatización:**
   - Reduce la necesidad de intervención humana en tareas repetitivas o complejas.

---

### Tipos de aprendizaje automático:
1. **Aprendizaje supervisado:**
   - Se entrena el modelo con datos etiquetados, donde se conoce el resultado esperado.
   - **Ejemplo:** Clasificación de correos electrónicos como "spam" o "no spam".
   - Algoritmos comunes:
     - Regresión lineal.
     - Máquinas de soporte vectorial (SVM).
     - Redes neuronales.

2. **Aprendizaje no supervisado:**
   - Los datos no están etiquetados y el objetivo es identificar patrones o estructuras ocultas.
   - **Ejemplo:** Agrupamiento de clientes según su comportamiento de compra.
   - Algoritmos comunes:
     - K-means.
     - Análisis de componentes principales (PCA).
     - Redes neuronales autoasociativas.

3. **Aprendizaje por refuerzo:**
   - El modelo aprende a tomar decisiones mediante un sistema de recompensas y penalizaciones basado en las acciones realizadas.
   - **Ejemplo:** Entrenamiento de un agente para jugar videojuegos o controlar robots.
   - Algoritmos comunes:
     - Q-learning.
     - Proximal Policy Optimization (PPO).

4. **Aprendizaje semisupervisado:**
   - Combina datos etiquetados y no etiquetados, aprovechando grandes volúmenes de datos sin etiquetas y un pequeño conjunto etiquetado.
   - **Ejemplo:** Clasificación de documentos con pocos ejemplos iniciales.

---

### Etapas del aprendizaje automático:
1. **Preparación de los datos:**
   - Recopilación, limpieza y transformación de los datos en un formato adecuado.
2. **Selección del modelo:**
   - Elección del algoritmo de aprendizaje que mejor se adapte a la tarea.
3. **Entrenamiento:**
   - Ajuste de los parámetros del modelo utilizando los datos de entrenamiento.
4. **Evaluación:**
   - Medición del rendimiento del modelo en datos de prueba.
5. **Implementación:**
   - Uso del modelo entrenado en un entorno real para realizar predicciones o tomar decisiones.

---

### Aplicaciones del aprendizaje automático:
1. **Salud:**
   - Diagnóstico de enfermedades mediante imágenes médicas.
2. **Finanzas:**
   - Detección de fraudes, análisis de riesgos de crédito.
3. **Automatización industrial:**
   - Mantenimiento predictivo, optimización de procesos.
4. **Reconocimiento de patrones:**
   - Identificación facial, procesamiento de voz.
5. **Vehículos autónomos:**
   - Toma de decisiones en tiempo real para la navegación.

---

### Herramientas populares:
- **Librerías y frameworks:**
  - TensorFlow, PyTorch, Scikit-learn, Keras.
- **Lenguajes de programación:**
  - Python, R, Julia.
- **Plataformas de servicios:**
  - Google Cloud AI, AWS Machine Learning, Azure ML.