Hablar por WhatsApp Entrar al panel

Machine learning (Aprendizaje automático)

Rama de la inteligencia artificial en la que un sistema aprende patrones a partir de datos en lugar de seguir reglas programadas a mano. Con suficientes ejemplos, el modelo generaliza y hace predicciones sobre datos nuevos.

Rama de la inteligencia artificial en la que un sistema aprende patrones a partir de datos en lugar de seguir reglas programadas a mano. Con suficientes ejemplos, el modelo generaliza y hace predicciones sobre datos nuevos.

Actualizado: 3 de junio de 2026.

El machine learning invierte la lógica de la programación clásica: en vez de escribir las reglas, le mostramos al sistema muchos ejemplos y dejamos que infiera las reglas por sí mismo. Es la base sobre la que se construyen desde un filtro de spam hasta un LLM.

Tipos principales

Aprendizaje supervisado: el modelo aprende de datos etiquetados (entrada y respuesta correcta).
Aprendizaje no supervisado: descubre estructura en datos sin etiquetar (agrupamiento, reducción de dimensionalidad).
Aprendizaje por refuerzo: un agente aprende por ensayo y error maximizando una recompensa.

Por qué importa

Casi toda la IA que usamos hoy es machine learning aplicado a escala. La calidad del resultado depende directamente de la cantidad y limpieza de los datos de entrenamiento, no solo del algoritmo.

Términos relacionados

Deep learning: qué es el aprendizaje profundoDeep learning o aprendizaje profundo es un subcampo del machine learning que entrena redes neuronales con múltiples capas para aprender representaciones de los datos. Cada capa transforma la salida anterior y puede capturar patrones progresivamente más abstractos. Se usa en visión, audio, lenguaje y modelos generativos, pero requiere datos, cómputo, evaluación y controles adecuados.Red neuronal artificialModelo de cálculo inspirado en el cerebro, compuesto por unidades llamadas neuronas organizadas en capas que se conectan mediante pesos ajustables. Al entrenarse, esos pesos se afinan para transformar entradas en salidas útiles.Aprendizaje supervisadoForma de machine learning en la que el modelo aprende de datos etiquetados: cada ejemplo incluye la respuesta correcta. El objetivo es que el modelo prediga esa respuesta en datos nuevos.Aprendizaje no supervisadoEl aprendizaje no supervisado es una rama del machine learning que busca estructura en datos sin una etiqueta objetivo conocida. En vez de aprender la relación entre entradas y una respuesta correcta, identifica similitudes, grupos, componentes, densidades o casos atípicos. Sus resultados son hipótesis sobre los datos: deben interpretarse y evaluarse con métricas, estabilidad y utilidad para una tarea posterior.Dataset o conjunto de datos: qué esUn dataset o conjunto de datos es una colección de ejemplos reunidos para análisis, entrenamiento, validación o evaluación. Cada ejemplo puede contener características, etiquetas, texto, imágenes, audio u otros valores. Su utilidad no depende solo del tamaño: representatividad, calidad, procedencia, permisos, partición y correspondencia con el uso real determinan qué conclusiones o modelos permite sostener.

Ver todos los términos