Q:
¿Cuál es la diferencia entre el aprendizaje supervisado, no supervisado y semi-supervisado?
UN:La diferencia clave entre el aprendizaje supervisado y no supervisado en el aprendizaje automático es el uso de datos de capacitación.
El aprendizaje supervisado utiliza datos de ejemplo para mostrar cómo se ven los datos "correctos". Los datos están estructurados para mostrar las salidas de entradas dadas.
Un algoritmo de aprendizaje automático que clasifica las frutas podría tener imágenes de frutas como manzanas, plátanos, uvas y naranjas como entradas y los nombres de estas frutas como salidas.
Un ejemplo del mundo real serían los filtros de spam Bayesianos en los programas de correo electrónico. Estos filtros están entrenados con ejemplos de correos electrónicos que se consideran spam. El filtro de correo no deseado puede buscar ciertas frases que aparecen en correos electrónicos que ocurren en correos electrónicos no deseados y moverlas a una carpeta de correo no deseado.
Es como mostrarle a un humano cómo hacer una nueva tarea. A una persona que realiza la entrada de datos se le pueden mostrar ejemplos de los datos en un formato que la empresa desea y luego se espera que los siga.
Los programas de aprendizaje automático que utilizan el aprendizaje supervisado iteran muchas veces con los datos de entrenamiento. Los resultados pueden ser impresionantes cuando realmente se pone en marcha. El filtro de spam de Gmail de Google es muy preciso porque hay muchos usuarios entrenándolo.
El aprendizaje no supervisado no tiene ningún dato de entrenamiento previo. En nuestro ejemplo de clasificación de frutas, un algoritmo podría mostrar imágenes de frutas y decirles que las clasifiquen.
El aprendizaje no supervisado tiene aplicaciones en la investigación de mercado al aprender los hábitos de compra de los clientes, o la seguridad al monitorear los patrones de piratería.
El aprendizaje semi-supervisado intenta tomar un término medio al etiquetar algunos de los datos. Por ejemplo, la manzana y la naranja pueden estar etiquetadas en el programa de clasificación de frutas, pero el plátano y las uvas no.
Cuándo usar cualquiera de estos algoritmos dependerá del tipo de datos que se use. Algunas tareas tienen patrones estables, como fraudes con tarjetas de crédito o mensajes de spam. El aprendizaje supervisado es apropiado para este tipo de tareas. Los ataques a la red son impredecibles, y los métodos de aprendizaje sin supervisión o semi-supervisados pueden ser más apropiados.
