¿Qué es el aprendizaje supervisado?

El aprendizaje supervisado es un enfoque del aprendizaje automático que utiliza conjuntos de datos etiquetados para entrenar algoritmos con el fin de clasificar correctamente los datos y predecir los resultados.

Traducido a partir de un escrito de Anthony Corbo, publicado el 03 de enero de 2023.
Reseña escrita por Artem Oppermann el 06 de enero de 2023.

En el aprendizaje supervisado, los ingenieros utilizan conjuntos de datos etiquetados para entrenar algoritmos. Al etiquetar las salidas y hacer coincidir las entradas con las salidas correspondientes introducidas en el algoritmo, los modelos de aprendizaje automático pueden ponderar la precisión y mejorar con la repetición de datos adicionales a lo largo del tiempo.
 

¿Cuáles son los tipos de aprendizaje supervisado?

El aprendizaje supervisado puede completarse mediante el uso de algoritmos como Bayes ingenuo y árboles de decisión, o tareas como la regresión y la clasificación. El uso de varios algoritmos determina los tipos de aprendizaje supervisado y las tareas que el aprendizaje supervisado es capaz de completar.

Tipos de Aprendizaje Supervisado

• El algoritmo de regresión produce un único valor de salida probabilístico que se determina en función del grado de correlación entre las variables de entrada.
• Los algoritmos de clasificación separan y agrupan los datos en diferentes clases.
• Los modelos bayesianos ingenuos son un tipo de clasificación para grandes conjuntos de datos finitos en nodos primarios y nodos secundarios independientes.
• Los árboles de decisión contienen sentencias de control condicionales que incluyen decisiones y consecuencias probables con el fin de producir salidas que etiquetan datos imprevistos.
• Los modelos de bosque aleatorio contienen multitud de árboles de decisión y clasificaciones de salida de árboles individuales.
• Las redes neuronales están diseñadas para agrupar entradas sin procesar, reconocer patrones o interpretar datos sensoriales.

¿Cuál es la diferencia entre el aprendizaje supervisado y el no supervisado?

La mayor diferencia entre el aprendizaje supervisado y el no supervisado es el uso de conjuntos de datos etiquetados.

El aprendizaje supervisado es el acto de entrenar el conjunto de datos para aprender haciendo predicciones iterativas basadas en los datos mientras se ajusta para producir los resultados correctos. Al proporcionar conjuntos de datos etiquetados, el modelo ya sabe la respuesta que está tratando de predecir, pero no ajusta el proceso hasta que produce una salida independiente.

La diferencia entre la predicción y la respuesta correcta es la clave para que los modelos produzcan predicciones precisas cuando se utilizan nuevos datos. Al igual que la mayoría de las variedades de aprendizaje automático, el aprendizaje supervisado se utiliza normalmente para predecir los resultados de los datos. Se calcula a través de Python o R y puede llevar mucho tiempo entrenarlo.

El aprendizaje no supervisado no hace uso de conjuntos de datos etiquetados, lo que significa que los modelos trabajan por sí solos para descubrir la estructura inherente de los datos no etiquetados. Todavía se requiere la intervención humana para validar las variables de salida en función del uso previsto de los datos y si tiene sentido que se utilicen los datos.

El aprendizaje no supervisado se utiliza normalmente para descubrir información a partir de volúmenes masivos de datos, detectar anomalías o hacer recomendaciones, y puede tener resultados inexactos sin validación humana.

¿Cuál es un ejemplo de aprendizaje supervisado?

El aprendizaje supervisado se puede utilizar para hacer predicciones precisas utilizando datos, como predecir el precio de una vivienda nueva.

Para que se realicen predicciones, se deben recopilar datos de entrada. Para determinar el precio de una casa nueva, por ejemplo, necesitamos conocer factores como la ubicación, los pies cuadrados, el espacio exterior, el número de pisos, el número de habitaciones y más. El precio de la casa representa la salida, o etiqueta, mientras que los factores como la ubicación, los pies cuadrados y el espacio exterior representan los datos de entrada para el algoritmo.

Una vez que se establecen las etiquetas correspondientes, se pueden recopilar datos de miles de otras casas y compararlas con los datos de entrada existentes. Al sopesar las características con los precios de estas otras casas, el modelo puede hacer lo mismo con la casa en cuestión para determinar un precio preciso.