En este artículo, exploraremos los conceptos básicos de dos enfoques de ciencia de datos: aprendizaje supervisado y no supervisado. Descubra qué enfoque es el adecuado para su situación.
El mundo es cada día más “inteligente” y, para mantenerse al día con las expectativas de los consumidores, las empresas utilizan cada vez más algoritmos de aprendizaje automático para facilitar las cosas. Puede verlos en uso en dispositivos de usuario final (a través del reconocimiento facial para desbloquear teléfonos inteligentes) o para detectar fraudes con tarjetas de crédito (como activar alertas para compras inusuales).
Dentro de la inteligencia artificial (IA) y el aprendizaje automático, existen dos enfoques básicos: aprendizaje supervisado y aprendizaje no supervisado. La principal diferencia es que uno usa datos etiquetados para ayudar a predecir los resultados, mientras que el otro no. Sin embargo, hay algunos matices entre los dos enfoques y áreas clave en las que uno supera al otro. Esta publicación será la primer parte de una serie de 3 articulos donde se aclararán las diferencias para que pueda elegir el mejor enfoque para su situación.
¿Qué es el aprendizaje supervisado?
El aprendizaje supervisado es un enfoque de aprendizaje automático que se define por el uso de conjuntos de datos etiquetados. Estos conjuntos de datos están diseñados para entrenar o “supervisar” algoritmos para clasificar datos o predecir resultados con precisión. Usando entradas y salidas etiquetadas, el modelo puede medir su precisión y aprender con el tiempo.
El aprendizaje supervisado se puede dividir en dos tipos de problemas en la minería de datos: clasificación y regresión:
Los problemas de clasificación utilizan un algoritmo para asignar con precisión datos de prueba en categorías específicas, como separar manzanas de naranjas. O, en el mundo real, se pueden usar algoritmos de aprendizaje supervisado para clasificar el spam en una carpeta separada de su bandeja de entrada. Los clasificadores lineales, las máquinas de vectores de soporte, los árboles de decisión y el bosque aleatorio son todos tipos comunes de algoritmos de clasificación.
La regresión es otro tipo de método de aprendizaje supervisado que utiliza un algoritmo para comprender la relación entre las variables dependientes e independientes. Los modelos de regresión son útiles para predecir valores numéricos basados en diferentes puntos de datos, como proyecciones de ingresos por ventas para una empresa determinada. Algunos algoritmos de regresión populares son la regresión lineal, la regresión logística y la regresión polinomial.
Con esto concluimos la explicación de aprendizaje supervisado es la primer parte de los 3 articulos que corresponden a identificar las diferencias entre lenguaje supervisado y no supervisado
Este articulo puede interesarle Los adoptantes de la nube y la inteligencia artificial superan retos y ROI.
