Aprendizaje supervisado vs no supervisado: diferencia entre aprendizaje supervisado y no supervisado

Introducción

El aprendizaje automático se clasifica ampliamente en tres tipos, a saber, aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. El aprendizaje por refuerzo aún es nuevo y está en rápido desarrollo, así que simplemente ignoremos eso en este artículo y profundicemos en el aprendizaje supervisado y no supervisado.

Antes de pasar a las definiciones y usos reales de estos dos tipos de aprendizaje, primero familiaricémonos con el aprendizaje automático. El aprendizaje automático es una aplicación de inteligencia artificial que brinda a los sistemas la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programados explícitamente, esta es solo la definición de libro de texto de Aprendizaje automático, ya que este artículo está escrito principalmente para los novatos en el campo de la ciencia de datos y la inteligencia artificial. déjame aclararte esto e interesarte para que puedas entenderlo e interpretarlo mejor.

Consideremos a un bebé como nuestra máquina y debemos ayudarlo a aprender los diferentes números en nuestro sistema numérico. Para ayudar al bebé a aprender, debemos mostrarle un número diferente y decirle cuál es cada número.

Hacer esta parte repetidamente ayuda al bebé a aprender y memorizar los números. Esto no es más que la capacidad de aprender y mejorar automáticamente a partir de la experiencia sin ser programado explícitamente, es decir, aprendizaje automático.

Leer: Ideas de proyectos de aprendizaje automático

Aprendizaje supervisado

Comencemos de nuevo con la definición clásica de libro de texto de aprendizaje supervisado y familiaricémonos con el ejemplo del bebé que tomamos anteriormente. El aprendizaje supervisado es la tarea de aprendizaje automático de aprender una función que asigna una entrada a una salida en función de pares de entrada-salida de ejemplo. Infiere una función a partir de datos de entrenamiento etiquetados que consisten en un conjunto de ejemplos de entrenamiento.

Odio las definiciones que están escritas en cualquier libro de texto porque son tan formales de entender, prefiero que un amigo explique la definición en sus propios pensamientos. A la larga, cada vez que trato de recordar una definición, eventualmente aparece la explicación dada por un amigo con un ejemplo y me hace la vida más fácil. Entonces, en este artículo, déjame ser ese amigo tuyo.

Tomemos nuevamente el ejemplo del bebé que consideramos anteriormente, en este caso, necesitamos hacer que el bebé aprenda e identifique las diferentes frutas que tenemos. Consideremos Apple y Orange como nuestras dos frutas y comencemos mostrándole estas dos imágenes al bebé. También le decimos al bebé qué imagen es qué fruta.

Al mirar esas imágenes, el bebé aprende que la fruta será redonda y que la fruta de color rojo es manzana y que la fruta de color naranja es naranja. Ahora mostrémosle al bebé una nueva imagen de Orange y pídale que averigüe si la imagen es Apple o Orange.

El bebé predice que la fruta es Naranja. El bebé predice correctamente que la fruta es Naranja porque hemos clasificado las dos frutas como Manzana y Naranja en dos categorías y le hemos pedido al bebé que aprenda qué fruta es qué. Así funciona el Aprendizaje Automático Supervisado si reemplazamos una máquina por un bebé.

El aprendizaje automático supervisado se clasifica además en dos tipos de problemas conocidos como clasificación y regresión.

Clasificación

Por el nombre en sí, podemos saber que se trata de un problema de aprendizaje automático en el que necesitamos clasificar los datos dados en dos o más clases. El ejemplo anterior que hemos tomado es un problema de clasificación, ya que necesitamos clasificar las imágenes dadas en una clase Apple o Orange.

Cuando tenemos solo dos clases para clasificar nuestros datos, se llama Clasificación binaria. Pero en los datos del mundo real, tendemos a tener más de una clase y se llama Clasificación de clases múltiples. Estos tipos de aprendizaje son utilizados por la mayoría para identificar los correos electrónicos no deseados, clasificar a los clientes, verificar si un cliente abandona el operador y muchos más casos de uso.

Lea también: Carrera en aprendizaje automático

Regresión

La regresión, por otro lado, trata con datos continuos, como predecir su salario en función de la experiencia. En este caso, no necesitamos poner los datos en ninguna clase, pero necesitamos predecir el valor continuo en función de los datos continuos que tenemos.

Estos tipos de problemas tienen columnas continuas en su conjunto de datos, mientras que la Clasificación tiende a tener columnas categóricas. Estos tipos de aprendizaje se utilizan para predecir el crecimiento financiero en el próximo trimestre para cualquier empresa, las calificaciones de los estudiantes en función de sus calificaciones anteriores y muchos más.

Aprendizaje sin supervisión

El aprendizaje no supervisado es un tipo de aprendizaje automático que busca patrones no detectados previamente en un conjunto de datos sin etiquetas preexistentes y con un mínimo de supervisión humana.

En contraste con el aprendizaje supervisado que generalmente utiliza datos etiquetados por humanos, el aprendizaje no supervisado, también conocido como autoorganización, permite el modelado de densidades de probabilidad sobre las entradas. Consideremos el ejemplo del bebé para comprender mejor el aprendizaje automático no supervisado.

Usemos un grupo de imágenes de gatos y perros como entrada en este ejemplo, en ejemplos anteriores, el bebé sabe que las imágenes son de Apple y Orange, ya que las hemos etiquetado y categorizado.

En este caso, el bebé no sabe nada y por lo tanto no puede categorizar cuál es un gato y cuál es un perro. Pero puedo decir que algunas de las imágenes se ven similares en comparación con las otras pocas. En este caso, no podemos etiquetar los datos, pero aún podemos encontrar patrones en los datos. Así es como funciona el Aprendizaje Automático No Supervisado.

Agrupación

El ejemplo anterior describe claramente el problema de agrupamiento, necesitamos agrupar nuestro conjunto de datos en función de los patrones que encontramos en nuestros datos. La agrupación en clústeres es un problema de aprendizaje automático muy importante y muchas empresas tienden a utilizar esta técnica para encontrar patrones valiosos e información a partir de sus datos.

Conclusión

En este artículo, conocimos los diferentes tipos de aprendizaje automático, entendimos aquellos tomando un ejemplo fácil de entender, investigamos las divisiones adicionales de cada aprendizaje. Este artículo cubre solo los conceptos básicos de los problemas de aprendizaje automático, cada tipo de problema tiene diferentes tipos de algoritmos de aprendizaje automático.

Si está interesado en obtener más información sobre el aprendizaje automático, consulte el Diploma PG en aprendizaje automático e IA de IIIT-B y upGrad, que está diseñado para profesionales que trabajan y ofrece más de 450 horas de capacitación rigurosa, más de 30 estudios de casos y asignaciones, IIIT- B Estado de exalumno, más de 5 proyectos prácticos finales prácticos y asistencia laboral con las mejores empresas.