El aprendizaje supervisado es un enfoque utilizado en la creación de inteligencia artificial (IA) donde un algoritmo informático es entrenado con datos de entrada que han sido etiquetados para una salida específica. El modelo es entrenado hasta que puede detectar los patrones y relaciones subyacentes entre los datos de entrada y las etiquetas de salida, lo que le permite obtener resultados de etiquetado precisos cuando se le presenta datos nunca antes vistos. En el aprendizaje supervisado, el objetivo es dar sentido a los datos dentro del contexto de una pregunta específica. Este enfoque es bueno para problemas de clasificación y regresión, como determinar a qué categoría pertenece un artículo de noticias o predecir el volumen de ventas para una fecha futura determinada. Las organizaciones pueden utilizar el aprendizaje supervisado en procesos como la detección de anomalías, la detección de fraudes, la clasificación de imágenes, la evaluación de riesgos y el filtrado de correo no deseado.
Algoritmos de clasificación
Los algoritmos de aprendizaje supervisado se dividen en dos tipos: clasificación y regresión. Un algoritmo de clasificación tiene como objetivo clasificar las entradas en un número determinado de categorías, o clases, basándose en los datos etiquetados en los que fue entrenado. Estos algoritmos se pueden utilizar para clasificaciones binarias, como clasificar una imagen como perro o gato; filtrar correos electrónicos como spam o no spam; y categorizar los comentarios de los clientes como positivos o negativos. Algunos ejemplos de técnicas de aprendizaje automático de clasificación son:
- Un árbol de decisión: separa los puntos de datos en dos categorías similares, creando categorías más pequeñas dentro de categorías.
- La regresión logística: analiza variables independientes para determinar un resultado binario que se clasifica en una de las dos categorías.
- Un bosque aleatorio: es una colección de árboles de decisión que recopila resultados de múltiples predictores.
- Una máquina de vectores de soporte: encuentra una línea que separa los datos en un conjunto dado en clases específicas durante el entrenamiento del modelo y maximiza los márgenes de cada clase.
Modelos de regresión
Las tareas de regresión son diferentes, ya que esperan que el modelo produzca una relación numérica entre los datos de entrada y salida. Algunos ejemplos de modelos de regresión incluyen predecir los precios de bienes raíces basados en el código postal, predecir las tasas de clics en anuncios en línea en relación con la hora del día y determinar cuánto estarían dispuestos a pagar los clientes por un determinado producto basado en su edad. Los algoritmos comúnmente utilizados en programas de aprendizaje supervisado incluyen:
- La lógica bayesiana: analiza modelos estadísticos, incorporando conocimientos previos sobre los parámetros del modelo o el propio modelo.
- La regresión lineal: predice el valor de una variable en función del valor de otra variable.
- La regresión no lineal: se utiliza cuando una salida no se puede reproducir a partir de entradas lineales.
- Un árbol de regresión: es un árbol de decisión donde se pueden tomar valores continuos de una variable objetivo.
Aprendizaje supervisado vs. aprendizaje no supervisado
La principal diferencia entre el aprendizaje supervisado y el aprendizaje no supervisado radica en cómo el algoritmo aprende. En el aprendizaje no supervisado, el algoritmo recibe datos no etiquetados como conjunto de entrenamiento. A diferencia del aprendizaje supervisado, no hay valores de salida correctos; el algoritmo determina los patrones y similitudes dentro de los datos, en lugar de relacionarlos con alguna medida externa. En otras palabras, los algoritmos pueden funcionar libremente para aprender más sobre los datos y descubrir hallazgos interesantes o inesperados que los seres humanos no estaban buscando. El aprendizaje no supervisado es popular en algoritmos de agrupamiento (la tarea de descubrir grupos dentro de los datos) y asociación (la tarea de predecir reglas que describen los datos).
Los modelos de aprendizaje automático, incluido el aprendizaje supervisado y el no supervisado, requieren algoritmos relevantes para llevar a cabo sus tareas.
Beneficios y limitaciones del aprendizaje supervisado
Los modelos de aprendizaje supervisado tienen algunas ventajas sobre el enfoque no supervisado, pero también tienen limitaciones. Algunos de los beneficios incluyen:
- Los sistemas de aprendizaje supervisado son más propensos a tomar decisiones que los humanos pueden relacionar, ya que los humanos han proporcionado la base para las decisiones.
- Los criterios de rendimiento se optimizan debido a la ayuda adicional de expertos.
- Se pueden realizar tareas de clasificación y regresión.
- Los usuarios controlan el número de clases utilizadas en los datos de entrenamiento.
- Los modelos pueden hacer predicciones basadas en experiencias anteriores.
- Las clases de objetos están etiquetadas en términos exactos.
Algunas limitaciones del aprendizaje supervisado incluyen:
- En el caso de un método basado en la recuperación de información, los sistemas de aprendizaje supervisado tienen dificultades para lidiar con nueva información. Si un sistema con categorías para gatos y perros se le presenta con nuevos datos, como una cebra, tendría que clasificarla incorrectamente en una de las dos categorías. Sin embargo, si el sistema de IA fuera generativo, es decir, no supervisado, es posible que no sepa qué es una cebra, pero podría reconocerla como perteneciente a una categoría separada.
- Los modelos supervisados generalmente requieren grandes cantidades de datos correctamente etiquetados para alcanzar niveles de rendimiento aceptables, y estos datos no siempre están disponibles. El aprendizaje no supervisado no sufre de este problema y puede funcionar con datos no etiquetados.
- Los modelos supervisados necesitan tiempo para ser entrenados antes de su uso.
Aprendizaje semisupervisado
En casos en los que se necesita aprendizaje supervisado pero hay una falta de datos de calidad, el aprendizaje semisupervisado puede ser el método de aprendizaje adecuado. Este modelo de aprendizaje se encuentra entre el aprendizaje supervisado y el no supervisado; acepta datos que están parcialmente etiquetados, es decir, la mayoría de los datos carecen de etiquetas. El aprendizaje semisupervisado determina las correlaciones entre los puntos de datos, al igual que el aprendizaje no supervisado, y luego utiliza los datos etiquetados para marcar esos puntos de datos. Finalmente, todo el modelo se entrena en función de las etiquetas aplicadas recientemente. El aprendizaje semisupervisado puede producir resultados precisos y es aplicable a muchos problemas del entorno real, donde la pequeña cantidad de datos etiquetados impediría que los algoritmos de aprendizaje supervisado funcionen correctamente. Como regla general, un conjunto de datos con al menos un 25% de datos etiquetados es adecuado para el aprendizaje semisupervisado. El reconocimiento facial, por ejemplo, es ideal para el aprendizaje semisupervisado; el gran número de imágenes de diferentes personas se agrupa por similitud y luego se interpreta con una imagen etiquetada, dando identidad a las fotos agrupadas.
Consultas habituales
¿Cuál es la diferencia entre el aprendizaje supervisado y el aprendizaje no supervisado?
La diferencia principal radica en cómo se entrenan los algoritmos. En el aprendizaje supervisado, los algoritmos se entrenan con datos etiquetados, mientras que en el aprendizaje no supervisado, los algoritmos se entrenan con datos no etiquetados.
¿Cuáles son algunos ejemplos de problemas que se pueden resolver con el aprendizaje supervisado?
El aprendizaje supervisado se puede utilizar en procesos como la detección de anomalías, la detección de fraudes, la clasificación de imágenes, la evaluación de riesgos y el filtrado de correo no deseado, entre otros.
¿Cuáles son algunos ejemplos de algoritmos de clasificación utilizados en el aprendizaje supervisado?
Algunos ejemplos de algoritmos de clasificación utilizados en el aprendizaje supervisado son el árbol de decisión, la regresión logística, el bosque aleatorio y la máquina de vectores de soporte.
El algoritmo de aprendizaje supervisado es una herramienta poderosa en el campo de la inteligencia artificial. Permite a las máquinas aprender de datos etiquetados y realizar tareas de clasificación y regresión. Aunque tiene algunas limitaciones, como la necesidad de grandes cantidades de datos etiquetados, el aprendizaje supervisado se puede complementar con técnicas de aprendizaje no supervisado y semisupervisado para obtener resultados precisos en problemas del entorno real. Al comprender los conceptos y algoritmos detrás del aprendizaje supervisado, los profesionales de la IA pueden aprovechar al máximo esta tecnología en sus aplicaciones y proyectos.
Si quieres conocer otras notas parecidas a Aprendizaje supervisado en ia: algoritmos, clasificación y regresión puedes visitar la categoría Inteligencia.