Aprendizaje Supervisado y No Supervisado

DIFERENCIA ENTRE APRENDIZAJE SUPERVISADO Y NO SUPERVISADO

  • Aprendizaje Supervisado: Es como enseñar a un modelo con ejemplos etiquetados, donde ya conocemos las respuestas correctas. Le decimos al modelo qué es lo que queremos que aprenda.

  • Aprendizaje No Supervisado: Es como dejar que el modelo explore por sí mismo. No le decimos explícitamente qué buscar ni le proporcionamos respuestas predefinidas. El modelo debe descubrir patrones o estructuras por su cuenta.



APLICACIONES DEL APRENDIZAJE SUPERVISADO
El aprendizaje supervisado está enfocado en la vigilancia sobre los proyectos; la máquina será impregnada de conocimientos distintos que resultarán en datos de salida específicos. Por lo tanto, las aplicaciones deberán seguir este camino. Algunas de las aplicaciones son:

Diagnóstico médico: para esta aplicación se utilizan imágenes médicas y datos etiquetados anteriormente para relacionarlas con etiquetas de enfermedades.
Detección de spam: para esta aplicación, los algoritmos clasifican los emails entre spam o no spam.
Detección de fraude: para esta aplicación, se utiliza con data histórica para identificar los patrones que pueden llegar a un posible a un fraude.
Segmentación de imágenes: se divide imágenes a partir de etiquetas preestablecidas.

APLICACIONES DEL APRENDIZAJE NO SUPERVISADO
El aprendizaje no supervisado solo utilizará un pequeño grupo de datos y de etiquetas para desarrollar los resultados. De esta manera, con el aprendizaje no supervisado, la máquina va a relacionar los elementos con diferentes etiquetas. Algunas de las aplicaciones son:

Detección de anomalías: esta aplicación se utiliza para detectar posible oportunidades de fraude. Aquí se pueden encontrar puntos de data de error dentro del conjunto de datos.
Sistemas de recomendación: el aprendizaje no supervisado se utiliza para crear aplicaciones con sistemas de recomendación en diferentes aplicaciones web o sitios de eCommerce.
Análisis de red: esta aplicación del aprendizaje no supervisado se utiliza para identificar el plagio y el copyright.
Valor singular de descomposición: la aplicación de SVD se utiliza para extraer información específica dentro de un conjunto de datos.

Podría crear el siguiente prompt:
Genérame código para una tabla de empleados donde se aplique el método de regresión lineal como aprendizaje supervisado y luego permita graficar

Comentarios

Publicar un comentario

Entradas populares de este blog

K-Means

Imagen
K-MEANS (Aprendizaje No supervisado) El aprendizaje no supervisado, también conocido como machine learning no supervisado, utiliza algoritmos de machine learning para analizar y agrupar en clústeres conjuntos de datos sin etiquetar. Estos algoritmos descubren agrupaciones de datos o patrones ocultos sin necesidad de ninguna intervención humana. K-means es un algoritmo de clasificación no supervisada (clusterización) que agrupa objetos en k grupos basándose en sus características. El agrupamiento se realiza minimizando la suma de distancias entre cada objeto y el centroide de su grupo o cluster. Se suele usar la distancia cuadrática. EJEMPLO # Importar las bibliotecas necesarias import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # Crear un conjunto de datos de ejemplo data = {     'Años_Experiencia' : np.random.randint( 1 , 20 , 100 ),     'Nivel_Educativo' :
Leer más

Naive Bayes

Imagen
NAIVE BAYES (Aprendizaje supervisado) En un sentido amplio, los modelos de Naive Bayes son una clase especial de algoritmos de clasificación de Aprendizaje Automático, o Machine Learning, tal y como nos referiremos de ahora en adelante. Se basan en una técnica de clasificación estadística llamada “teorema de Bayes”. Naïve Bayes o el Ingenuo Bayes es uno de los algoritmos más simples y poderosos para la clasificación basado en el Teorema de Bayes con una suposición de independencia entre los predictores. Naive Bayes es fácil de construir y particularmente útil para conjuntos de datos muy grandes. EJEMPLO # Importar las bibliotecas necesarias import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.naive_bayes import GaussianNB from sklearn.metrics import accuracy_score, confusion_matrix, classification_report # Crear un conjunto de datos de ejemplo data = {     'Años_Experiencia' : np.ran
Leer más

Regresión lineal

Imagen
REGRESIÓN LÍNEAL  (Aprendizaje supervisado) La regresión lineal se utiliza para identificar la relación entre una variable dependiente y una o más variables independientes, y normalmente se aprovecha para hacer predicciones sobre resultados futuros. Cuando solo hay una variable independiente y una variable dependiente, se conoce como regresión lineal simple. EJEMPLO # Importar las bibliotecas necesarias import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # Crear un conjunto de datos de ejemplo data = {     'Años_Experiencia' : np.random.randint( 1 , 20 , 100 ),     'Nivel_Educativo' : np.random.randint( 10 , 20 , 100 ),     'Edad' : np.random.randint( 20 , 60 , 100 ),     'Salario' : np.random.randint( 30000 , 80000 , 100 ) } df = pd.DataFrame(data) # Dividir los datos en conj
Leer más