APRENDIZAJE NO SUPERVISADO

El aprendizaje supervisado son un conjunto de técnicas que permiten inferir

modelos para extraer conocimiento de conjuntos de datos donde a priori se
desconoce.
Las técnicas de aprendizaje no supervisado se pueden aplicar sin necesidad de
tener los datos etiquetados para el entrenamiento.
Como solo conocemos datos de entrada, pero no existen datos de salida que
correspondan con las entradas, sólo se puede describir la estructura de los datos y
con ello intentar encontrar algún tipo de organización que simplifique el análisis, por
lo que tiene carácter exploratorio.

Funcionamiento
Para comprender el funcionamiento del aprendizaje no supervisado se acudirá a un
ejemplo donde tenemos un conjunto de datos sin etiquetar. A este conjunto de datos
le extraemos sus características en vectores y con esto entrenamos el algoritmo de
aprendizaje automático con el fin de que busque patrones entre los datos. El
algoritmo nos genera un modelo el que podemos proporcionarle nuevos conjuntos
de datos que nos clusterice los nuevos elementos que nunca ha visto con lo que ha
aprendido en la fase de entrenamiento.

Aprendizaje no Supervisado
Clasificación

Clasificación de aprendizaje no supervisado

Clustering
El clustering como método de aprendizaje no supervisado tiene como objetivo
clasificar en grupos atendiendo a las variables de los datos
Un ejemplo de este método es buscar grupos de clientes con hábitos de compra
similares.

clustering

Reducción de dimensionalidad
La reducción de dimensionalidad como método de aprendizaje no supervisado tiene
como objetivo reducir el número de variables a tener en cuenta en el análisis.
Un ejemplo de este método es representar en una sola dimensión las medidas de
un papel

Reducción de dimensionalidad

APRENDIZAJE SUPERVISADO
El aprendizaje supervisado son un conjunto de técnicas que permite realizar
predicciones futuras basadas en comportamientos o características analizadas en
datos históricos etiquetados.
Una etiqueta no es más que la salida que ha mostrado el conjunto de datos para
datos históricos, ya conocidos.
La predicción obtenida es representada por medio de una función donde las
entradas representan las características analizadas y la salida representa la variable
que se quiere predecir.
Esta función de salida es de tipo numérico en problemas de regresión y de tipo
categórico en los problemas de clasificación.

Funcionamiento
Para comprender el funcionamiento del aprendizaje supervisado se acudirá a un
ejemplo donde tenemos un conjunto de datos etiquetados a priori: 1 manzanas, 2
cítricos, 3 sandias y 4 plátanos. A este conjunto de datos le extraños sus
características en vectores y con esto entrenamos el algoritmo de aprendizaje
automático. El algoritmo nos genera un modelo el que podemos proporcionarle
nuevos conjuntos de datos que nos clasifique los nuevos elementos que nunca ha
visto con lo que ha aprendido en la fase de entrenamiento.

Aprendizaje Supervisado

Clasificación

Clasificación de Aprendizaje Supervisado

Regresión
La regresión como método de aprendizaje supervisado tiene como objetivo predecir
valores continuos a partir de datos históricos etiquetados
Un ejemplo de este método es la estimación de gasto de un cliente en función de
su renta y número de hijos.

Regresión

Clasificación
La clasificación como método de aprendizaje supervisado tiene como objetivo
clasificar en grupos atendiendo a datos históricos etiquetados.
Un ejemplo de este método es la estimación clasificar frutas en función del color
forma, textura, …

Clasificación