¿Qué es el aprendizaje supervisado?

El aprendizaje supervisado es un tipo de aprendizaje automático que permite que el modelo prediga resultados futuros después de que se capaciten con base en datos pasados.

Para entrenar el modelo, primero, se le suministra un conjunto de entradas y salidas. Digamos, por ejemplo, que desea que su modelo pueda reconocer un automóvil a partir de datos dados.

La capacitación se realiza proporcionando un conjunto de entradas y salidas que ayudan al sistema a comprender cuáles son las características esenciales que definen un automóvil.

Estas características pueden incluir un capó, un faro, un volante, etc.

Ahora, cuando los nuevos datos se envían al modelo, el modelo está en condiciones de reconocer un automóvil.

Cada salida que proporciona el modelo, junto con los nuevos datos que facilitaron la salida, se convierte en la nueva combinación de entrada-salida que se introduce como datos de entrenamiento en el modelo para el aprendizaje.

RESUMEN DEL APRENDIZAJE SUPERVISADO

El aprendizaje automático supervisado también se utiliza para detectar qué correos electrónicos se pueden marcar como spam y no spam. Un filtro de correo electrónico no deseado se alimentará con miles, posiblemente millones de correos electrónicos. Cada uno de estos correos electrónicos ya tendrá una etiqueta: ‘spam’ o ‘no spam’. El algoritmo de aprendizaje automático supervisado determinará qué tipo de correos electrónicos se marcan como spam. La próxima vez que un correo electrónico esté a punto de llegar a su bandeja de entrada, el filtro de correo no deseado utilizará un análisis estadístico para determinar la probabilidad de que el correo electrónico sea correo no deseado. Si la probabilidad es alta, lo etiquetará como spam y el correo electrónico no llegará a su bandeja de entrada.

Aquí hay un video que puede ayudarlo a comprender mejor:

Espero que esto te haya ayudado a entender 🙂

En caso de que planee realizar una capacitación formal en Aprendizaje automático, consulte nuestra Capacitación de certificación de Aprendizaje automático de Simplilearn aquí.

El aprendizaje supervisado es el proceso de aprendizaje cuando se conoce la variable de resultado, y que esta información se usa explícitamente en la capacitación (supervisada). Por ejemplo, tengo datos de pacientes normales sanos y pacientes, y tengo que desarrollar un modelo que clasifique a los pacientes de pacientes normales sanos como ejemplo de aprendizaje supervisado. Aquí se conoce la información del sujeto que es normal o paciente.

Por otro lado, su opuesto, en el aprendizaje no supervisado , la variable de resultado es desconocida. Por ejemplo, tomando el ejemplo anterior, si tengo los datos pero no tengo la información de la condición del sujeto, ya sea normal o paciente. Desarrollar un modelo para agrupar (o agrupar) a los sujetos con base en los datos (sin usar la información de la condición del sujeto) en 2 (normal sano y paciente) es un ejemplo de aprendizaje no supervisado.

Antes de responder a la pregunta, solo quiero mencionar que el futuro del planeta Tierra es la inteligencia artificial / aprendizaje automático. Cualquiera que no lo entienda pronto se verá abandonado. Despertar en este mundo lleno de innovación se siente cada vez más como magia. Existen muchos tipos de implementaciones y técnicas para llevar a cabo Inteligencia Artificial y Aprendizaje automático para resolver problemas en tiempo real, de los cuales el Aprendizaje supervisado es uno de los enfoques más utilizados.

¿Qué es el aprendizaje supervisado?

En el aprendizaje supervisado, comenzamos importando conjuntos de datos que contienen atributos de entrenamiento y los atributos objetivo. El algoritmo de aprendizaje supervisado aprenderá la relación entre los ejemplos de entrenamiento y sus variables objetivo asociadas y aplicará esa relación aprendida en los nuevos datos de atributos para predecir el atributo objetivo correspondiente.

Básicamente, sus datos de atributo se asignarán al atributo de destino a través de un modelo.

Matemáticamente,

Y = f (X)

El objetivo final del algoritmo de aprendizaje supervisado es predecir Y con la máxima precisión para una nueva entrada X dada.

Según los conjuntos de datos dados, el problema de aprendizaje automático se clasifica en dos tipos, Clasificación y Regresión . Si los datos dados tienen valores de entrada (entrenamiento) y valores de salida (objetivo), entonces es un problema de Clasificación. Si las variables objetivo en el conjunto de datos son categóricas o etiquetadas como una, entonces se clasifica, mientras que si las variables objetivo son datos numéricos continuos, se trata del problema de regresión.

Algunos de los algoritmos de clasificación más utilizados:

1. Bosque al azar
2. Árboles de decisión
3. Regresión logística
4. Máquinas de vectores de soporte

Algunos de los modelos de regresión más utilizados:

• Regresión lineal
• Regresión del árbol de decisiones
• Regresión polinómica

El aprendizaje supervisado significa que tiene “etiquetas” en sus datos, u otra forma de decirlo es que sabe lo que está tratando de predecir. Tiene predictores y respuestas (generalmente expresadas como una variable, pero no siempre) en sus datos y sabe qué características son cuáles. La clasificación es la variedad discreta (¿es este dígito, como un conjunto de brillos de píxeles, un “1”?) El “¿es un 1?” La variable 0/1 es la respuesta y las intensidades de píxeles son los predictores. La regresión es el problema continuo (¿cuál es la temperatura alta prevista según las características climáticas X, Y y Z?) El aprendizaje automático requiere la capacidad de evaluar tanto como construir modelos y, en el aprendizaje supervisado, puede construir un modelo el 9 / 10 de sus datos y luego vea si predice con precisión las etiquetas en el otro 1/10 (validación cruzada).

Por el contrario, el aprendizaje no supervisado (por ejemplo, la agrupación de datos observados en función de las características) significa que no tiene datos etiquetados. No siempre está claro qué, específicamente, estás tratando de encontrar. Estás tratando de determinar (a través de algunos medios automáticos) qué estructura vive en los datos. Hay formas de evaluar los modelos de aprendizaje no supervisado, por supuesto, de lo contrario sería inútil, incluidas las adaptaciones de la validación cruzada, pero no toman la forma de “¿qué tan bien asigna los predictores conocidos a las respuestas?”

Para ser más técnicos al respecto, el aprendizaje no supervisado se trata de estimar una distribución de probabilidad (sobre todas las variables) con base en la distribución empírica de los datos, y el aprendizaje supervisado se trata de estimar distribuciones de probabilidad condicionales en un pequeño número (típicamente uno) de características (“etiquetas “) dados los valores conocidos de los predictores.

Déjame intentar explicarte de una manera muy breve y sencilla. El aprendizaje supervisado consta de dos palabras: supervisado y aprendizaje. Supervisar significa guiar. Tenemos supervisores cuyo trabajo es guiar y mostrar el camino. Similar es el caso en el aprendizaje. Aquí la máquina o el programa está aprendiendo con la ayuda de alguien (que alguien sea el conjunto de datos existente). Tenemos un conjunto de datos y predecimos el resultado de una nueva información dependiendo del comportamiento de los conjuntos de datos existentes. Eso significa que el conjunto de datos existente actúa como una guía o supervisor para encontrar los nuevos datos. Un ejemplo muy común es la predicción de los precios de la vivienda. El precio de una casa nueva se predice dependiendo de lo que se observe con los precios de otras casas.

De manera similar, el aprendizaje no supervisado, como su nombre lo indica, es aprender a hacer algo o predecir algo sin supervisión o ayuda de los datos existentes. En este aprendizaje, el programa aprende agrupando los datos con características similares en grupos similares. p.ej. noticias en línea. Encontramos todas las noticias deportivas, por ejemplo, agrupadas. En el aprendizaje no supervisado, los datos se agrupan según características similares. En este caso no hay datos existentes para buscar orientación. En otras palabras, no hay supervisor.

El aprendizaje supervisado es un tipo de algoritmo de aprendizaje automático que utiliza un conjunto de datos conocido (llamado conjunto de datos de entrenamiento) para hacer predicciones. El conjunto de datos de entrenamiento incluye datos de entrada y valores de respuesta. A partir de él, el algoritmo de aprendizaje supervisado busca construir un modelo que pueda hacer predicciones de los valores de respuesta para un nuevo conjunto de datos. Un conjunto de datos de prueba a menudo se usa para validar el modelo. El uso de conjuntos de datos de entrenamiento más grandes a menudo produce modelos con mayor poder predictivo que pueden generalizarse bien para nuevos conjuntos de datos.

El aprendizaje supervisado incluye dos categorías de algoritmos:

Clasificación: para valores de respuesta categóricos, donde los datos se pueden separar en “clases” específicas
Regresión: para valores de respuesta continua
Los algoritmos de clasificación comunes incluyen:

Soporte de máquinas de vectores (SVM)
Redes neuronales
Clasificador Naïve Bayes
Árboles de decisión
Análisis discriminante
Vecinos más cercanos (kNN)
Los algoritmos de regresión comunes incluyen:

Regresión lineal
Regresión no lineal
Modelos lineales generalizados
Árboles de decisión
Redes neuronales
Para obtener más detalles sobre algoritmos de aprendizaje supervisado, consulte Estadísticas y Machine Learning Toolbox y Neural Network Toolbox.

El aprendizaje supervisado se utiliza en aplicaciones financieras para calificación crediticia, negociación algorítmica y clasificación de bonos; en aplicaciones biológicas para detección de tumores y descubrimiento de fármacos; en aplicaciones energéticas para previsión de precios y cargas; y en aplicaciones de reconocimiento de patrones para voz e imágenes.

si quieres aprender sobre el aprendizaje supervisado con ejemplos del mundo real.
solo visita este blog.
Aprendizaje supervisado y no supervisado

El aprendizaje supervisado es donde el algoritmo genera, por ejemplo, una función que asigna la entrada a la salida deseada. Es un algoritmo que la máquina aprende por sí mismo.

mi nombre es ilyas baloch estudio en la universidad de balochistan soy estudiante de mscs. tomo ayuda de la web del motor de Quora. Espero recibir ayuda de muchos de este sitio.

Gracias