Modulo IV. Fundamentos Teóricos del Aprendizaje Supervisado y No Supervisado. Conceptos

 

1. Introducción

El Aprendizaje Automático (Machine Learning) es un campo de la Inteligencia Artificial que se centra en el desarrollo de algoritmos que permiten a las máquinas aprender de los datos y hacer predicciones o tomar decisiones sin ser explícitamente programadas para cada situación específica. Dentro del aprendizaje automático, existen dos enfoques principales: aprendizaje supervisado y aprendizaje no supervisado.

El aprendizaje supervisado implica entrenar un modelo en un conjunto de datos etiquetados, donde el objetivo es predecir la etiqueta a partir de las características de los datos. Por otro lado, el aprendizaje no supervisado se utiliza con datos que no tienen etiquetas, y el objetivo es encontrar patrones o estructuras inherentes en los datos.

2. Aprendizaje Supervisado

En el aprendizaje supervisado, el modelo aprende de un conjunto de datos que incluye tanto las entradas como las salidas deseadas. Los ejemplos comunes incluyen la regresión lineal, para predecir valores continuos, y los árboles de decisión, utilizados tanto para clasificación como para regresión.

Gráfica y Código: Ejemplo de Regresión Lineal

Vamos a generar un gráfico simple para una regresión lineal utilizando Python.

                                        Código

                                        Gráfica

3. Aprendizaje No Supervisado

En el aprendizaje no supervisado, los algoritmos intentan identificar patrones en los datos que no están etiquetados. Un ejemplo común es el algoritmo K-means para la agrupación de datos, y el Análisis de Componentes Principales (PCA) para la reducción de dimensionalidad.

Gráfica y Código: Ejemplo de K-means

Ahora, crearemos un gráfico para un ejemplo simple de K-means.

                               Código

                                Gráfico

4. Comparación y Usos

El aprendizaje supervisado es más común cuando las etiquetas de los datos están disponibles y el objetivo es predecir o clasificar nuevas observaciones. Por otro lado, el aprendizaje no supervisado es útil para explorar la estructura de los datos y encontrar patrones subyacentes, especialmente útil en la etapa de análisis exploratorio de datos.

5. Conclusión

Ambos enfoques del aprendizaje automático, supervisado y no supervisado, son fundamentales para entender y aplicar técnicas de inteligencia artificial en diversas áreas, desde la predicción de tendencias de mercado hasta el reconocimiento de patrones en imágenes y datos de sensores.

Aca se presenta las gráficas correspondientes a los ejemplos de regresión lineal y K-means.

Aquí tienes las gráficas generadas para los ejemplos de aprendizaje supervisado y no supervisado:

1. Ejemplo de Regresión Lineal (Aprendizaje Supervisado): Esta gráfica muestra una simple regresión lineal, donde el modelo predice una variable dependiente a partir de una variable independiente.

2. Ejemplo de K-means Clustering (Aprendizaje No Supervisado): En esta gráfica, se ilustra cómo el algoritmo K-means agrupa los datos en dos clusters distintos.

Estas gráficas y sus respectivos códigos son ejemplos ilustrativos de cómo se aplican estos métodos en el aprendizaje automático. Puedes incluir estas gráficas y códigos en tu documento para complementar la explicación de cada enfoque.