¿Cómo pueden los periodistas utilizar el aprendizaje automático (Machine Learning) para potenciar su trabajo periodístico? Esta es la pregunta que vamos a analizar en este curso.

El curso le ayudará a comprender cuáles son las situaciones en las que el aprendizaje automático es la herramienta adecuada para respaldar sus investigaciones y le enseñará cómo entrenar un modelo de aprendizaje automático.

Este es la continuación del curso Introduction to Machine Learning. Si aún no lo ha completado, le recomendamos que lo haga antes de continuar con este curso.

Introduction to Machine Learning explora el potencial que ofrece el aprendizaje automático a las organizaciones de noticias y explica cómo los periodistas pueden usarlo de manera responsable para potenciar su trabajo.

Este curso quiere ir un paso más allá y mostrar, a través de un ejemplo real que presentaremos en la siguiente lección, qué resultados pueden lograr los periodistas mediante el uso del aprendizaje automático. Si desea aprender cómo funciona el aprendizaje automático en la práctica y cómo puede usarlo para su labor periodística, este curso es para usted.

¿Va a convertirse en un experto en aprendizaje automático y data science al final de este curso? Seguramente no. Pero aprenderá cómo funcionan la mayoría de los procesos de aprendizaje automático y podrá realizar experimentos por su cuenta.

Antes de continuar, asegurémonos de saber de qué estamos hablando. ¿Qué es el aprendizaje automático, o Machine Learning?

El aprendizaje automático forma parte de un conjunto de tecnologías que se agrupan bajo el paraguas del término «inteligencia artificial» (IA). Tal como sucede en la mayor parte de la terminología en el ámbito de la inteligencia artificial, no existe una definición única del aprendizaje automático.

En términos simples, el aprendizaje automático es una tecnología que usa datos para responder preguntas. De un modo más formal, decimos que se refiere al uso de algoritmos que aprenden patrones a partir de los datos y pueden realizar tareas sin que se hayan programado explícitamente para este fin. 

Además, una característica que define los sistemas de aprendizaje automático es que estos mejoran su desempeño con la experiencia y los datos. Dicho de otro modo: aprenden.

Debe tener en cuenta que no hay una única forma de que una máquina aprenda. Los diferentes enfoques del aprendizaje automático se distinguen comúnmente por los tipos de problemas que intentan resolver, así como por el tipo y la cantidad de información proporcionada.

En general, podemos dividir el aprendizaje automático en tres subáreas: 1) Aprendizaje supervisado; 2) Aprendizaje no supervisado; 3) Aprendizaje por refuerzo. Revise la  Introduction to Machine Learning para obtener más información sobre las diferencias entre estas tres categorías.

Para los efectos de este curso, nos centraremos en el aprendizaje supervisado. Esto significa que usaremos ejemplos etiquetados para entrenar un algoritmo para asignar automáticamente la etiqueta correcta a cada nuevo ejemplo que le pediremos que analice.

Ahora que hemos revisado los conceptos básicos, estamos listos para concluir esta introducción y continuar.

En las próximas dos lecciones, presentaremos un estudio de caso que basará nuestro ejercicio en un ejemplo periodístico real y veremos el algoritmo que usaremos para comprender la dinámica detrás de la mayoría de los procesos de aprendizaje automatizado.

Las siguientes lecciones serán una guía práctica paso a paso: cómo obtener y preparar los datos, cómo entrenar su modelo de aprendizaje automático y cómo probar y evaluar su rendimiento.

La última lección resumirá los aprendizajes clave, le ayudará a comprender cómo aplicarlos en sus investigaciones y le recomendará otros recursos que puede utilizar para profundizar aún más en el mundo del aprendizaje automático.