Qué es machine learning: guía clara con un ejemplo resuelto

El machine learning (aprendizaje automático) es la parte de la inteligencia artificial en la que un programa aprende reglas a partir de ejemplos, en lugar de recibirlas escritas por una persona. Le das muchos casos con su resultado y el sistema ajusta sus cálculos hasta acertar también con casos nuevos. Así funcionan el filtro de spam, las recomendaciones de series y, por debajo, asistentes como ChatGPT, Gemini o Claude.

¿Qué es el machine learning y en qué se diferencia de programar?

En la programación tradicional, una persona escribe las reglas. Para un filtro de spam, por ejemplo: «si el asunto contiene la palabra "premio", envíalo a la carpeta de basura».

El problema es que los remitentes de spam cambian de truco. Escriben «pr3mio» y la regla deja de servir. Habría que reescribirla cada semana.

Con machine learning se invierte el proceso. Le das al sistema miles de correos ya marcados como spam o no spam. El sistema busca por su cuenta qué rasgos separan unos de otros: palabras, enlaces, horas de envío, remitentes.

La expresión «machine learning» la popularizó Arthur Samuel en 1959, con un programa de damas que mejoraba jugando contra sí mismo. Si te interesa el contexto, la historia de la inteligencia artificial cuenta cómo se llegó hasta hoy.

Todo sistema de machine learning tiene tres piezas:

• Datos: los ejemplos de los que aprende.
• Modelo: la fórmula o estructura que convierte una entrada en una predicción.
• Medida de error: el criterio que dice cuánto se equivoca el modelo y hacia dónde corregirlo.

¿Qué diferencia hay entre IA, machine learning y deep learning?

Piensa en muñecas rusas. La inteligencia artificial es la más grande: cualquier sistema que realiza tareas que asociamos a la inteligencia humana. Incluye programas de reglas, de búsqueda y de planificación.

Dentro está el machine learning: los sistemas que aprenden de datos. Y dentro de este, el deep learning, que usa redes neuronales con muchas capas.

No todo el machine learning es deep learning. Una recta que estima precios, o un árbol de decisión que aprueba o rechaza una solicitud, son machine learning clásico. Con pocos datos organizados en columnas, esos modelos sencillos suelen ser una opción razonable y más fáciles de explicar.

El deep learning destaca cuando los datos son imágenes, audio o texto. Los asistentes conversacionales actuales son redes neuronales muy grandes. Su manejo del idioma pertenece al procesamiento de lenguaje natural.

¿Qué tipos de machine learning existen?

Se distinguen por el tipo de información que recibe el modelo y por cómo se le dice si acierta. Esta tabla resume los tres grandes.

Tipo	Qué recibe	Qué aprende	Ejemplo cotidiano	Límite principal
Supervisado	Ejemplos con la respuesta correcta (etiquetas)	La relación entre los datos y la respuesta	Estimar el precio de un piso; marcar un correo como spam	Etiquetar datos cuesta tiempo y dinero
No supervisado	Datos sin respuesta	Grupos, estructuras o casos anómalos	Agrupar clientes por hábitos de compra	No hay «respuesta correcta» y los resultados cuesta interpretarlos
Por refuerzo	Un entorno en el que actuar y recibir recompensas o penalizaciones	Una estrategia que maximiza la recompensa	Un programa que aprende a jugar al Go; el control de un robot	Necesita muchísimos intentos, casi siempre en simulación

Supervisado: clasificar o estimar un número

Es el más extendido. Si la respuesta es una categoría (spam o no spam), se llama clasificación. Si es un número (el precio de un piso), se llama regresión.

No supervisado: encontrar estructura sin guía

Nadie dice qué es correcto. El algoritmo propone, por ejemplo, que tus clientes se reparten en cuatro perfiles de compra. Después una persona decide si esos grupos tienen sentido para el negocio.

Por refuerzo: aprender probando

Un agente actúa, observa el resultado y recibe una señal de recompensa. Con el tiempo aprende qué secuencia de decisiones le conviene. La referencia académica es el libro de Sutton y Barto, Reinforcement Learning: An Introduction, disponible en abierto.

Los híbridos: semisupervisado y autosupervisado

En la práctica los tipos se mezclan. El semisupervisado combina pocos datos etiquetados con muchos sin etiquetar. El autosupervisado inventa su propia tarea con datos sin etiquetar.

Los grandes modelos de lenguaje parten de ahí: aprenden a predecir la siguiente palabra en enormes cantidades de texto. Después se refinan con valoraciones humanas, una técnica que usa ideas del aprendizaje por refuerzo.

¿Cómo se entrena un modelo? Ejemplo resuelto: predecir el precio de un piso

Vamos a entrenar un modelo a mano, con cinco pisos. Los datos son inventados y están simplificados a propósito. El mecanismo, en cambio, es el mismo que usan modelos mucho mayores.

Paso 1: reunir ejemplos con su respuesta

Tenemos la superficie (la entrada) y el precio de venta (la etiqueta) de cinco pisos del mismo barrio:

• 50 m² → 150.000 €
• 60 m² → 170.000 €
• 70 m² → 200.000 €
• 80 m² → 220.000 €
• 90 m² → 250.000 €

Paso 2: elegir un modelo

Elegimos el más simple: una recta. Precio = a + b × metros. Los valores a y b son los parámetros. Entrenar significa encontrar los que mejor encajan con los ejemplos.

Paso 3: medir el error y corregir

Empezamos con valores al azar: a = 0 y b = 1.000 € por metro. Para el piso de 50 m², el modelo predice 50.000 €. El precio real es 150.000 €, así que se equivoca en 100.000 €.

Se calcula ese error para los cinco pisos, se eleva al cuadrado y se promedia. Ese número es la función de pérdida. Un algoritmo de optimización, como el descenso de gradiente, modifica a y b en la dirección que reduce la pérdida. Repite el proceso muchas veces.

Una red neuronal grande hace lo mismo, pero con millones de parámetros en lugar de dos.

Paso 4: el resultado del entrenamiento

Con una recta, el mínimo error se puede calcular directamente (mínimos cuadrados). La pendiente sale de dividir cuánto varían juntos metros y precio entre cuánto varían los metros. En miles de euros: 2.500 entre 1.000.

El modelo entrenado queda así:

Precio = 23.000 € + 2.500 € × metros

Comprobamos con los datos de entrenamiento. Para 60 m², predice 173.000 € y el real fue 170.000 €. Para 90 m², predice 248.000 € frente a 250.000 €. Los fallos son de entre 2.000 y 3.000 €.

Paso 5: probar con un piso que no ha visto

Aquí está la comprobación que de verdad importa. Reservamos un piso que no entró en el entrenamiento: 65 m², vendido por 188.000 €.

El modelo calcula 23.000 + 2.500 × 65 = 185.500 €. Se equivoca en 2.500 €. Es un error parecido al de entrenamiento, buena señal.

Si el error en datos nuevos fuera mucho peor que en los de entrenamiento, el modelo habría memorizado en vez de generalizar. Eso se llama sobreajuste.

Paso 6: usarlo, con cautela

Un piso de 75 m² daría 23.000 + 2.500 × 75 = 210.500 €. Es una estimación orientativa, no una tasación.

Nuestro modelo solo conoce los metros. No sabe nada de planta, estado, ascensor, año de construcción o calle. Tampoco es fiable fuera del rango visto: preguntarle por un piso de 300 m² sería extrapolar. Los modelos reales añaden esas variables y se vigilan con datos recientes.

Si sabes algo de Python, puedes reproducirlo con scikit-learn:

from sklearn.linear_model import LinearRegression

metros = [[50], [60], [70], [80], [90]]
precio = [150, 170, 200, 220, 250]  # en miles de euros

modelo = LinearRegression().fit(metros, precio)
print(modelo.coef_[0], modelo.intercept_)  # ≈ 2.5 y 23.0
print(modelo.predict([[75]])[0])           # ≈ 210.5

La línea fit es el entrenamiento. La línea predict es el uso. Con modelos mucho más grandes, el esquema no cambia.

¿Dónde se usa el machine learning y qué límites tiene?

Usos reales

• Correo: el filtro de spam clasifica mensajes a partir de millones de ejemplos marcados por usuarios.
• Banca: los sistemas antifraude señalan pagos que se salen del patrón habitual de un cliente. Después, una persona o una regla decide qué hacer.
• Recomendaciones: series, música o compras se sugieren según lo que eligen usuarios con gustos parecidos.
• Industria: con datos de sensores, un modelo avisa de que una máquina probablemente fallará pronto. Es una pieza habitual de la robótica y la automatización industrial.
• Oficina: clasificar facturas, etiquetar incidencias o resumir documentos entra en la automatización de oficinas con IA.
• Lenguaje: traducción, dictado por voz y asistentes conversacionales.
• Salud: apoyo a profesionales para analizar imágenes médicas. La decisión clínica sigue siendo humana.

Límites que conviene conocer

• Datos sesgados, modelo sesgado. Un sistema de selección entrenado con contrataciones pasadas puede repetir las preferencias de entonces.
• Correlación no es causa. El modelo detecta que dos cosas van juntas. No explica por qué.
• Sobreajuste. Brilla con los datos conocidos y falla con los nuevos.
• Poca transparencia. En modelos grandes cuesta explicar por qué dieron una respuesta concreta.
• Datos que cambian. Un modelo de precios entrenado antes de un cambio fuerte en el mercado pierde fiabilidad. Hay que reentrenarlo.

Cuando un modelo influye en decisiones sobre personas, como crédito, empleo o salud, conviene supervisión humana y revisar la normativa aplicable.

¿Por dónde empiezo a aprender machine learning?

Sin programar, puedes usar un asistente como tutor. Pega el código del ejemplo anterior y pídele algo así:

Actúa como profesor de machine learning. Tengo este código de scikit-learn que predice el precio de un piso a partir de los metros. Explícalo línea a línea, sin jerga, y propón tres variables más que mejorarían la predicción.

Lo esperable es una explicación de qué hacen fit, coef_ y predict. También debería proponer variables como el barrio, la planta, el estado o el año de construcción. Contrasta lo que diga con la documentación, porque los asistentes también se equivocan. Para más práctica con estas herramientas, tienes la guía de cómo usar ChatGPT.

Para ir más a fondo, el Curso intensivo de machine learning de Google es gratuito y está bien graduado. Para practicar con datos reales, Kaggle ofrece conjuntos de datos y ejercicios guiados.

Si quieres entender el machine learning, empieza por reproducir el ejemplo del piso con tus propios datos, por ejemplo los anuncios de tu barrio. Y si quieres aplicarlo en tu trabajo sin programar, empieza por localizar una tarea repetitiva de la que ya tengas cientos de ejemplos resueltos. Ahí es donde un modelo supervisado suele rendir mejor.

Preguntas frecuentes

¿Machine learning y aprendizaje automático son lo mismo?

Sí. «Aprendizaje automático» es la traducción al español de «machine learning». En la práctica se usan indistintamente, aunque en textos técnicos en inglés lo habitual es el término original.

¿Hace falta saber matemáticas?

Para usar herramientas ya hechas, muy poco. Para entender qué ocurre dentro del modelo ayudan el álgebra lineal, la probabilidad y el cálculo básico, que se pueden aprender sobre la marcha.

¿ChatGPT es machine learning?

Sí. Es un modelo de deep learning, una rama del machine learning. Se entrenó con enormes cantidades de texto y después se refinó con valoraciones humanas.

¿Un modelo sigue aprendiendo mientras lo uso?

Normalmente no. Se entrena, se evalúa y se despliega con sus parámetros fijos. Sus responsables lo reentrenan cada cierto tiempo con datos nuevos, aunque algunos sistemas sí se actualizan de forma continua.