Qué es machine learning: definición, tipos y ejemplos

Machine learning (aprendizaje automático) es entrenar un programa —un modelo— para que prediga o genere a partir de datos, sin escribir una regla para cada caso. Google lo resume así en su curso de introducción: el software aprende la relación matemática; tú no la programas a mano.

IBM añade el matiz que más líos evita: todo ML es IA; no toda IA es ML. Un termostato con si temperatura < 19, enciende es IA de reglas. El filtro de spam que vio mil ejemplos y generalizó es ML.

Resumen

• ML = aprender patrones en datos y generalizar a casos nuevos (inferencia).
• Tipos que usa Google: supervisado, no supervisado, refuerzo y, como clase, IA generativa.
• Deep learning es ML con redes neuronales profundas. Los LLM de un chatbot viven ahí.
• En empresa: empieza por el dato y la pregunta («¿spam o no?»), no por el algoritmo de moda.

Qué es machine learning

IBM, en What is machine learning?, lo sitúa como el subconjunto de la IA cuyos algoritmos aprenden patrones del conjunto de entrenamiento y luego infieren sobre datos nuevos. El objetivo no es memorizar el Excel de ayer: es generalizar.

El nombre lo populariza Arthur Samuel en 1959 (IBM Journal, damas): un programa que juega mejor que quien lo escribió. No hace falta esa partida para usarlo. Sí hace falta la idea: el criterio sale de los ejemplos, no de mil if.

Ejemplo de Google: predecir lluvia. A la antigua, un modelo físico de la atmósfera. Con ML, das históricos de tiempo hasta que el modelo relaciona patrones con milímetros. Luego le pasas el tiempo de ahora y predice. El «modelo» no es un PC pequeño: es esa relación matemática aprendida.

Sin ML no tendrías recomendaciones, scoring de fraude, traducción automática ni los LLM que mueven ChatGPT. El glosario lo deja en una ficha; aquí va el mapa para decidir si tu problema es ML o una hoja de cálculo.

IA, ML y deep learning

IBM lo dice sin rodeos: a medida que el problema se complica, las reglas se vuelven frágiles. No puedes enumerar todo el spam del mundo. El modelo ve ejemplos, mide el error y ajusta. La línea de tiempo de Converly coloca ese salto (datos frente a reglas) en los 80 y el de las redes profundas hacia 2010.

Un agente no sustituye al ML: usa modelos (a menudo un LLM) dentro de un bucle con herramientas. El ML es el cerebro estadístico; el agente es el turno de trabajo.

Tipos de machine learning

Google agrupa los sistemas así. No son cajones estancos: un generador puede preentrenarse sin etiquetas y luego afinarse con ejemplos etiquetados.

Supervisado

Cada ejemplo lleva la respuesta correcta (etiqueta). El modelo busca la conexión entre las características (features) y esa etiqueta.

• Regresión: predice un número (precio, minutos de trayecto, kWh).
• Clasificación: predice una categoría (spam / no spam; lluvia / granizo / nieve).

Analogía de Google: estudias exámenes viejos con soluciones. Luego te examinas con uno nuevo.

No supervisado

Los datos no traen la respuesta. El trabajo es encontrar estructura. Lo más citado: clustering (agrupar lo parecido). Tú, después, pones nombre a los grupos («clientes de temporada alta»). El modelo no sabe qué significa «verano».

Aprendizaje por refuerzo

El sistema actúa en un entorno y recibe premio o penalización. Acaba con una política: qué hacer para maximizar recompensa. Google cita robots que aprenden a desplazarse y programas como AlphaGo. No es el primer botón para una pyme con 2.000 facturas.

IA generativa

Clase de modelos que crean contenido (texto, imagen, audio, vídeo) imitando patrones de los datos. Un chatbot de LLM es la cara conversacional de esa clase. Google nota que el preentrenamiento suele ser no supervisado (imitar datos) y que luego puede haber ajuste supervisado o por refuerzo para tareas concretas (resumir, editar).

Entrenar e inferir

Dos verbos que conviene no mezclar:

1. Entrenamiento. El modelo ve ejemplos, compara predicción y realidad, reduce el error (pérdida). Caro en tiempo y cómputo. Aquí viven dataset, sesgo y sobreajuste (se aprende el ruido del Excel).
2. Inferencia. El modelo ya entrenado responde a un caso nuevo. Usar ChatGPT es casi siempre inferencia sobre un modelo que tú no reentrenaste.

IBM: entrenar es el medio; generalizar es el fin. Desplegar el modelo en producción es inferencia.

Para una pyme, la pregunta útil no es «¿entrenamos una red?». Es: ¿tenemos etiquetas de calidad y una métrica de negocio? Si no, un proveedor (vision API, LLM, detector de fraude) te vende inferencia. El harness —datos, evaluación, límites— sigue siendo tuyo.

Ejemplos que sí ves en una empresa

Si el patrón cabe en diez reglas estables, no montes ML. Si el patrón cambia cada semana y tienes historial, ML (o un modelo ya entrenado) gana a perseguir el if.

Qué interesante se está poniendo esto.

Preguntas frecuentes

¿Machine learning y inteligencia artificial son lo mismo?

No. El ML es un subconjunto de la IA. Hay IA de reglas sin aprendizaje. IBM: todo ML es IA; no toda IA es ML.

¿Qué diferencia hay entre machine learning y deep learning?

El deep learning es ML con redes neuronales profundas. Encaja cuando el dato es no estructurado (imagen, audio, texto largo). Para un scoring tabular con 8 columnas, un modelo «clásico» suele bastar.

¿Un chatbot usa machine learning?

Uno de reglas, no. Uno de LLM, sí: el modelo se entrenó con ML. Tú, al usarlo, casi siempre haces inferencia, no entrenamiento.

¿Necesito un científico de datos para usar ML?

Para entrenar un modelo propio con tus datos, ayuda (y un dataset limpio). Para usar un LLM o una API de visión, necesitas un problema bien planteado, evaluación y límites. El algoritmo puede venir de fuera.

¿El machine learning «entiende» como una persona?

No. Ajusta parámetros para acertar en una métrica. Puede ser útil y estar sesgado a la vez si el dato lo está. No es magia ni un empleado: es estadística a escala.

---

Publicado el 5 de septiembre de 2026. Definición y tipos según Google: What is Machine Learning? e IBM Think (Samuel, 1959; entrenamiento vs inferencia). El vocabulario corto está en el glosario de 20 conceptos.