Podemos definir el machine learning como una rama de la Inteligencia Artificial que permite que los sistemas aprendan a partir de datos, y vayan ajustando sus parámetros internos para resolver problemas nuevos, sin necesidad de que tengamos que darles todas las instrucciones de antemano.

Dicho de otra forma, el machine learning permite que los modelos o sistemas aprendan no solo de la información que les damos o que reciben, sino que sean capaces por sí solos de generar nuevos conocimientos que nadie les ha mostrado o enseñado.

Aunque la inteligencia artificial existe como disciplina desde mediados del siglo XX, el aprendizaje automático (machine learning) comenzó a destacar como disciplina a partir de los años 50.

Uno de los momentos más importantes fue la creación del perceptrón en 1958, por parte del psicólogo e ingeniero Frank Rosenblatt. Inspirado en el funcionamiento de las neuronas biológicas, el perceptrón fue el primer modelo formal de una red neuronal artificial capaz de aprender a partir de ejemplos.

Consistía en una estructura muy simple: una serie de entradas numéricas (como características o variables), cada una multiplicada por un peso, que luego se sumaban y pasaban por una función de activación (como un umbral). Si la suma superaba ese umbral, la salida era 1 (activo); si no, era 0 (inactivo).

Lo revolucionario del perceptrón era que los pesos se ajustaban automáticamente en función de los errores cometidos durante el entrenamiento. Esta capacidad de aprender corrigiéndose a sí mismo sentó las bases del aprendizaje supervisado.

En otras palabras, el sistema no seguía reglas fijas predefinidas, sino que podía adaptar su comportamiento para mejorar su rendimiento en una tarea concreta, como clasificar objetos o reconocer patrones.

Durante años, el perceptrón convivió con los enfoques más simbólicos de la IA (basados en reglas lógicas), pero con el tiempo, y gracias al crecimiento exponencial en la disponibilidad de datos, el poder computacional y los algoritmos de entrenamiento, el machine learning comenzó a imponerse gracias a su capacidad de resolver problemas complejos de forma cada vez más eficaz.

En la década del 2000, las enormes posibilidades del machine learning hicieron que fuera desplazando a los sistemas expertos y demostrando su utilidad en aplicaciones reales, lo que lo ha llevado a ser una de las partes más importantes y estudiadas de la inteligencia artificial hoy en día.

Conviene apuntar que, aunque a menudo se utilizan como sinónimos, inteligencia artificial (IA), machine learning (ML) y deep learning (DL) no son lo mismo.

• Inteligencia Artificial es el campo general que busca desarrollar sistemas que imiten funciones cognitivas del cerebro humano como razonar, aprender o tomar decisiones. Incluye tanto enfoques simbólicos como conexionistas.
• Machine Learning es una subdisciplina dentro de la IA que se centra en desarrollar algoritmos que aprenden directamente a partir de los datos, sin necesidad de programar explícitamente todas las instrucciones. Los modelos ajustan sus parámetros internos en función de la experiencia.
• Deep Learning es una especialización dentro del ML que emplea redes neuronales profundas, compuestas por múltiples capas de procesamiento, para extraer representaciones jerárquicas y resolver tareas complejas como reconocimiento de voz, visión por ordenador o generación de texto.