El aprendizaje automático sustituye las instrucciones escritas a mano por un ciclo: hacer una predicción, medir el error, ajustar y repetir. Entender ese ciclo explica la mayor parte de lo que la IA puede y no puede hacer.
Aprender de ejemplos
Supón que quieres estimar precios de casas. Das muchas casas con precio conocido. El modelo empieza con estimaciones pobres, las compara con los precios reales y ajusta sus números internos para reducir el error. Tras muchas rondas, captura patrones como «más superficie suele significar un precio mayor».
Entrenar y probar son cosas distintas
Si solo mides un modelo con los ejemplos que estudió, aprendes si los memorizó, no si aprendió algo útil. Por eso los datos se dividen: una parte para aprender y otra reservada para probar con casos nuevos. Una gran diferencia entre ambas puntuaciones es una señal de alerta llamada sobreajuste.
Por qué importan tanto los ejemplos
Un modelo solo puede aprender los patrones que aparecen en sus datos. Si falta un grupo o una situación importante, rendirá mal en ese caso. Ejemplos sesgados o desordenados producen un comportamiento sesgado o desordenado.
Qué llevarte
- Aprender es ajustar de forma repetida guiándose por el error.
- Una prueba justa usa datos que el modelo no ha visto.
- Mejores datos suelen ayudar más que un modelo más grande.
Continúa con el libro
Consulta el tratamiento completo, los ejemplos y los ejercicios en La IA explicada de forma sencilla.
Adaptado de La IA explicada de forma sencilla, publicado por Choral Software. Texto del artículo y ejemplos originales © 2026 Choral Software. Todos los derechos reservados.