¿Qué son algoritmos supervisados y no supervisados?

En el aprendizaje supervisado, los datos de entrenamiento están etiquetados y el algoritmo de aprendizaje se entrena para predecir etiquetas para datos no vistos. En el aprendizaje no supervisado, los datos no están etiquetados y el algoritmo de aprendizaje se entrena para descubrir patrones en los datos.

Los métodos no supervisados (unsupervised methods) son algoritmos que basan su proceso de entrenamiento en un juego de datos sin etiquetas o clases previamente definidas. Es decir, a priori no se conoce ningún valor objetivo o de clase, ya sea categórico o numérico.

El término “no supervisado” se refiere al hecho de que el algoritmo no está guiado como el algoritmo de Aprendizaje Supervisado. La manera más fácil de entender esto es con un ejemplo, tenemos un bebe y su perro.

Asociación en el aprendizaje no supervisado

Se detectan las relaciones entre variables y se identifican elementos que tienden a ocurrir juntos. Por ejemplo, si se analizan canastas en el supermercado se identifican los artículos que la gente tiende a comprar al mismo tiempo, por ejemplo: sopa y panecillos.

La principal diferencia entre el aprendizaje supervisado y el no supervisado es la necesidad de datos etiquetados. El machine learning supervisado se basa en datos de entrada y salida etiquetados, mientras que el aprendizaje no supervisado procesa datos sin etiquetar o sin procesar.

Los modelos de aprendizaje no supervisados se utilizan para tres tareas principales: agrupamiento, asociación y reducción de dimensionalidad.

El aprendizaje no supervisado se utiliza para explorar datos desconocidos. Puede revelar patrones que podrían haberse pasado por alto o examinar grandes conjuntos de datos que serían demasiado para que los abordara una sola persona.

Los algoritmos de aprendizaje supervisado se pueden usar para ubicar, aislar y categorizar objetos de videos o imágenes, lo que los hace útiles cuando se aplican a diversas técnicas de visión por computadora y análisis de imágenes.

El método supervisado parte de un conocimiento previo del terreno, a partir del cual se seleccionan las muestras para cada una de las categorías. Por su parte, el método no supervisado procede a una búsqueda automática de grupos de valores homogéneos dentro de la imagen.

Es el uso de conjuntos de datos etiquetados para entrenar algoritmos que clasifiquen datos o predigan resultados de forma precisa. A medida que los datos se introducen en el modelo, este ajusta sus ponderaciones hasta que dicho modelo se haya ajustado adecuadamente, como parte del proceso de validación cruzada.

Los métodos no supervisados te ayudan a encontrar características que pueden ser útiles para la categorización. Es más fácil obtener datos no etiquetados que los datos etiquetados.

Se basa en brindar enseñanza compensatoria o complementaria a aquellos estudiantes que presentan dificultades en el aprendizaje o que no logran participar con éxito de los programas de enseñanza regular y que necesitan una supervisión constante en sus estudios.

Estos dos tipos principales de aprendizaje supervisado, clasificación y regresión, se distinguen por el tipo de variable objetivo. En los casos de clasificación, es de tipo categórico, mientras que, en los casos de regresión, la variable objetivo es de tipo numérico.

Los algoritmos “aprenden” de datos que se le ofrecen emparejados (se le da al algoritmo tanto las entradas como las salidas que tendría que obtener). Este tipo de aprendizaje se realiza con ejemplos o datos etiquetados, como fotos con descripciones de las cosas que aparecen en ellas.

Aprendizaje Supervisado

Este tipo de aprendizaje es el que se incorpora en aplicaciones tecnológicas como filtros detectores de spam en correos electrónicos, detectores de imágenes en captchas o en aplicaciones de reconocimiento de voz o escritura.

Un ejemplo de aprendizaje supervisado sería la construcción de un modelo de reingresos en hospitalización partiendo de un conjunto de datos previo de los que conocemos si el paciente reingresó o no (el atributo que nos indique la condición de reingreso en el conjunto de datos original sería la etiqueta).

En el aprendizaje automático no supervisado, el algoritmo debe encontrar de forma independiente correlaciones y patrones en los datos y utilizarlos para estructurar o agrupar los datos o para obtener nuevos conocimientos.

Adaptadores, asimiladores, divergentes o convergentes son los cuatro estilos de aprendizajes, según David Kolb. Hay personas que se leen hasta la letra pequeña de los manuales mientras que otros se lanzan a pulsar todos los mandos para ver qué ocurre.

Tipos de Machine Learning

Los algoritmos de machine learning son el alma que mueven los procesos de aprendizaje. Gracias a ellos podemos obtener la información que necesitamos para tomar decisiones o predecir el comportamiento de los datos.

Overfitting indicará un aprendizaje “excesivo” del conjunto de datos de entrenamiento haciendo que nuestro modelo únicamente pueda producir unos resultados singulares y con la imposibilidad de comprender nuevos datos de entrada.

La tarea del algoritmo de aprendizaje consiste en aprender las ponderaciones para el modelo. Las ponderaciones describen la probabilidad de que los patrones que el modelo está aprendiendo reflejen las relaciones reales en los datos.

El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier objeto de entrada válida después de haber visto una serie de ejemplos, los datos de formación.

El sobreajuste es un comportamiento de aprendizaje automático no deseado que se produce cuando el modelo de aprendizaje automático proporciona predicciones precisas para los datos de entrenamiento, pero no para los datos nuevos.

Los algoritmos de Inteligencia Artificial suelen basarse en reglas y se construyen mediante un procesamiento iterativo para reconocer patrones y hacer predicciones. La evolución de tecnologías como la nube, la computación y el big data han contribuido a que la Inteligencia Artificial sea más rápida, barata y accesible.

Los principales algoritmos en el supervised machine learning son los árboles de decisión, clasificaciones Naive Bayes, la regresión ordinaria por mínimos de cuadrados, la regresión logística y el Support Vector Machines (SVM).