FUNDAMENTOS TEÓRICOS DEL APRENDIZAJE SUPERVISADO Y NO SUPERVISADO

 

Introducción

El aprendizaje automático es un campo de la ciencia de la computación que se ocupa de desarrollar algoritmos que pueden aprender de los datos sin ser programados explícitamente. Los dos principales paradigmas de aprendizaje automático son el aprendizaje supervisado y el aprendizaje no supervisado.

Aprendizaje Supervisado

El aprendizaje supervisado es un tipo de aprendizaje automático en el que se proporciona al algoritmo un conjunto de datos etiquetados, es decir, un conjunto de datos en el que cada observación está acompañada de su respuesta deseada. El algoritmo utiliza este conjunto de datos para aprender una función que le permite predecir la respuesta deseada para nuevas observaciones.

Los problemas de aprendizaje supervisado se pueden dividir en dos categorías principales:

• Clasificación: El objetivo es asignar una etiqueta a cada observación. Por ejemplo, un algoritmo de clasificación podría utilizarse para clasificar imágenes de gatos y perros.
• Regresión: El objetivo es predecir un valor continuo para cada observación. Por ejemplo, un algoritmo de regresión podría utilizarse para predecir el precio de una casa en función de sus características.

Algunos ejemplos de algoritmos de aprendizaje supervisado:

• Clasificación:
• Árboles de decisión
• Máquinas de vectores de soporte (SVM)
• Redes neuronales
• Regresión:
• Regresión lineal
• Regresión logística
• Regresión lineal múltiple

Aprendizaje No Supervisado

El aprendizaje no supervisado es un tipo de aprendizaje automático en el que no se proporciona al algoritmo un conjunto de datos etiquetados. El algoritmo debe aprender a encontrar patrones en los datos sin saber qué significan esos patrones.

Los problemas de aprendizaje no supervisado se pueden dividir en tres categorías principales:

• Agrupamiento: El objetivo es agrupar las observaciones en grupos similares. Por ejemplo, un algoritmo de agrupamiento podría utilizarse para agrupar clientes en grupos de acuerdo con sus intereses.
• Reducción de dimensionalidad: El objetivo es reducir el número de dimensiones de un conjunto de datos sin perder información significativa. Por ejemplo, un algoritmo de reducción de dimensionalidad podría utilizarse para reducir la cantidad de espacio que ocupa un conjunto de datos de imágenes.
• Descubrimiento de patrones: El objetivo es encontrar patrones o tendencias en los datos. Por ejemplo, un algoritmo de descubrimiento de patrones podría utilizarse para encontrar correlaciones entre variables en un conjunto de datos de ventas.

Algunos ejemplos de algoritmos de aprendizaje no supervisado:

• Agrupamiento:
• K-medias
• Agglomerativo jerárquico
• Algoritmo de densidad
• Reducción de dimensionalidad:
• Análisis de componentes principales (PCA)
• Análisis discriminante lineal (LDA)
• Mapeo de autovectores (t-SNE)
• Descubrimiento de patrones:
• Minería de asociaciones
• Análisis de series temporales
• Aprendizaje automático de refuerzo

Cómo Elegir entre Aprendizaje Supervisado y No Supervisado

La elección entre aprendizaje supervisado y no supervisado depende del tipo de problema que se quiera resolver.

El aprendizaje supervisado es adecuado para problemas en los que se dispone de un conjunto de datos etiquetados. Por ejemplo, el aprendizaje supervisado se puede utilizar para clasificar imágenes de gatos y perros, predecir el precio de una casa o clasificar clientes en grupos de acuerdo con sus intereses.

El aprendizaje no supervisado es adecuado para problemas en los que no se dispone de un conjunto de datos etiquetados. Por ejemplo, el aprendizaje no supervisado se puede utilizar para agrupar clientes en grupos similares, reducir la cantidad de espacio que ocupa un conjunto de datos de imágenes o encontrar correlaciones entre variables en un conjunto de datos de ventas.

En general, el aprendizaje supervisado es más preciso que el aprendizaje no supervisado, pero requiere un conjunto de datos etiquetados. El aprendizaje no supervisado es menos preciso que el aprendizaje supervisado, pero no requiere un conjunto de datos etiquetados.

Conclusiones

El aprendizaje supervisado y el aprendizaje no supervisado son dos paradigmas importantes del aprendizaje automático. Cada paradigma tiene sus propias fortalezas y debilidades. La elección entre aprendizaje supervisado y no supervisado depende del tipo de problema que se quiera resolver

Reflexión 

Tanto el aprendizaje supervisado como el no supervisado son herramientas importantes en el análisis de datos y el aprendizaje automático. La elección entre uno u otro depende del tipo de problema y los datos disponibles. Ambos enfoques tienen ventajas y desventajas y es importante tener en cuenta estas consideraciones al seleccionar la mejor opción para un problema específico.

Bruno Rolando Aramayo  Molina