El aprendizaje supervisado es un paradigma del aprendizaje automático en el que los objetos de entrada, representados como un vector de variables, y un valor de salida deseado se utilizan para entrenar un modelo con datos etiquetados. Los datos de entrenamiento se procesan para construir una función que asigne nuevos datos a valores de salida esperados.
El aprendizaje supervisado es una categoría del aprendizaje automático que utiliza conjuntos de datos etiquetados para entrenar algoritmos que predicen resultados y reconocen patrones. A diferencia del aprendizaje no supervisado, los algoritmos de aprendizaje supervisado reciben entrenamiento con datos etiquetados para aprender la relación entre las entradas y las salidas. [2]
El aprendizaje supervisado en el aprendizaje automático se divide generalmente en dos categorías: clasificación y regresión. Los modelos de clasificación consideran valores categóricos, mientras que los modelos de regresión predicen valores continuos.
Los algoritmos de clasificación se utilizan para agrupar datos prediciendo una etiqueta categórica basada en los datos de entrada. En una Clasificación Binaria los datos se dividen en dos categorías diferentes; en una Clasificación Multiclase, el algoritmo realiza una selección entre más clases para definir la variable objetivo. [3]
Los algoritmos de regresión se utilizan para predecir un valor continuo, donde el algoritmo detecta una relación entre dos o más variables. Un ejemplo de tarea de regresión podría ser predecir un salario basado en la experiencia laboral. Por ejemplo, un algoritmo de aprendizaje supervisado recibiría como entrada variables relacionadas con la experiencia laboral (por ejemplo, duración, industria o campo, ubicación, etc.) y el salario correspondiente asignado. Después de entrenar el modelo, podría usarse para predecir el salario promedio en función de la experiencia laboral. [2]
Los modelos de aprendizaje supervisado encuentran aplicaciones en diversos escenarios empresariales:
Evaluación de riesgos: En el sector financiero, el aprendizaje automático supervisado ayuda a los bancos y otros servicios financieros a predecir la probabilidad de que los clientes incumplan los préstamos, minimizando así los riesgos en sus carteras.
Clasificación de imágenes: Estos modelos se emplean comúnmente para clasificar objetos en imágenes y videos. Por ejemplo, se puede entrenar un algoritmo para identificar personas en imágenes y etiquetarlas automáticamente en plataformas de redes sociales.
Detección de fraude: El aprendizaje supervisado constituye la base de muchos sistemas de detección de fraude, permitiendo a las empresas identificar actividades fraudulentas. Estos modelos se entrenan con conjuntos de datos que contienen actividades fraudulentas y no fraudulentas, lo que les permite señalar actividades sospechosas en tiempo real.
Sistemas de recomendación: Las plataformas en línea y los servicios de streaming aprovechan los algoritmos de aprendizaje supervisado para mejorar la experiencia del usuario mediante recomendaciones personalizadas. Estos algoritmos analizan el comportamiento previo del cliente y su historial de compras para extraer información valiosa sobre sus preferencias. [2]
[1] Aprendizaje supervisado, Wikipedia
[2] ¿Qué es el aprendizaje supervisado?, Google Cloud
[3] Casos de uso del aprendizaje automático supervisado, emeritus.org