Aprendizaje no supervisado

El aprendizaje no supervisado y el aprendizaje supervisado se diferencian en sus enfoques y objetivos fundamentales:

1. Etiquetas de datos:

• Aprendizaje Supervisado: En el aprendizaje supervisado, se dispone de un conjunto de datos etiquetado, donde cada ejemplo de datos está asociado con una etiqueta que representa la respuesta deseada.
• Aprendizaje No Supervisado: En el aprendizaje no supervisado, los datos no están etiquetados, lo que significa que no se tiene información sobre las respuestas correctas.

2. Objetivo:

• Aprendizaje Supervisado: El objetivo principal es entrenar un modelo para predecir las etiquetas o respuestas correctas para nuevos datos basándose en ejemplos previamente etiquetados.
• Aprendizaje No Supervisado: El objetivo principal es descubrir patrones, estructuras ocultas o relaciones entre los datos sin la necesidad de predecir respuestas específicas.

3. Aplicaciones típicas:

• Aprendizaje Supervisado: Se utiliza en problemas de clasificación y regresión, donde se deben predecir categorías o valores numéricos específicos.
• Aprendizaje No Supervisado: Se aplica en tareas como la segmentación de datos en grupos similares (clustering), reducción de dimensionalidad y extracción de características, donde el objetivo es explorar la estructura de los datos.

4. Ejemplos:

• Aprendizaje Supervisado: Un ejemplo es el reconocimiento de dígitos escritos a mano, donde el modelo se entrena para asignar etiquetas numéricas a las imágenes de los dígitos.
• Aprendizaje No Supervisado: Un ejemplo es el agrupamiento de noticias en categorías temáticas similares sin tener etiquetas previas.