¿Qué es el aprendizaje supervisado?

Los conjuntos de datos etiquetados consisten en puntos de datos de muestra junto con los outputs correctos. A medida que los datos de entrada se introducen en el algoritmo de machine learning, este ajusta sus parámetros hasta que el modelo se haya ajustado adecuadamente. Los datos de entrenamiento etiquetados proporcionan una "verdad básica", enseñando explícitamente al modelo a identificar las relaciones entre las características y las etiquetas de datos.

El machine learning supervisado ayuda a las organizaciones a resolver diversos problemas del mundo real a escala, como clasificar el spam o predecir los precios de las acciones. Se puede utilizar para crear modelos de machine learning de alta precisión.

Los datos sobre el terreno se verifican con resultados del mundo real, a menudo mediante anotaciones o mediciones humanas, y se utilizan para entrenar, validar y probar modelos. Como su nombre indica, se ha confirmado que los datos de verdad sobre el terreno son ciertos: reflejan valores y resultados del mundo real. La verdad del terreno refleja los outputs ideales para cualquier entrada dada.

El aprendizaje supervisado se basa en datos reales para enseñar a un modelo las relaciones entre las entradas y los outputs. Los conjuntos de datos etiquetados utilizados en el aprendizaje supervisado son datos reales. Los modelos entrenados aplican su comprensión de esos datos para hacer predicciones basadas en datos nuevos e invisibles.

Las técnicas de aprendizaje supervisado utilizan un conjunto de datos etiquetado para comprender las relaciones entre los datos de entrada y salida. Los científicos de datos crean manualmente conjuntos de datos de entrenamiento de verdad que contienen datos de entrada junto con las etiquetas correspondientes. El aprendizaje supervisado entrena el modelo para aplicar los outputs correctos a datos no vistos en casos de uso del mundo real. 

Durante el entrenamiento, el algoritmo del modelo procesa grandes conjuntos de datos para explorar posibles correlaciones entre entradas y salidas. A continuación, se evalúa el rendimiento del modelo con datos de prueba para averiguar si se entrenó correctamente. La validación cruzada es el proceso de probar un modelo utilizando una parte diferente del conjunto de datos. 

La familia de algoritmos de descenso de gradiente, incluido el descenso de gradiente estocástico (SGD), son los algoritmos de optimización o algoritmos de aprendizaje, más utilizados al entrenar redes neuronales y otros modelos de machine learning. El algoritmo de optimización del modelo evalúa la precisión a través de la función de pérdida: una ecuación que mide la discrepancia entre las predicciones del modelo y los valores reales. 

La función de pérdida mide lo lejos que están las predicciones de los valores reales. Su gradiente indica la dirección en la que deben ajustarse los parámetros del modelo para reducir el error. A lo largo del entrenamiento, el algoritmo de optimización actualiza los parámetros del modelo, sus reglas de funcionamiento o "ajustes", para optimizarlo.

Dado que los grandes conjuntos de datos suelen contener muchas características, los científicos de datos pueden simplificar esta complejidad mediante la reducción de la dimensionalidad. Esta técnica de ciencia de datos reduce el número de características a las más cruciales para predecir las etiquetas de datos, lo que preserva la precisión y aumenta la eficiencia.

Como ejemplo de aprendizaje supervisado, consideremos un modelo de clasificación de imágenes creado para reconocer imágenes de vehículos y determinar de qué tipo de vehículo se trata. Este modelo puede alimentar las pruebas CAPTCHA que muchos sitios web utilizan para detectar bots de spam. 

Para entrenar este modelo, los científicos de datos preparan un conjunto de datos de entrenamiento etiquetado que contiene numerosos ejemplos de vehículos junto con el tipo de vehículo correspondiente: automóvil, motocicleta, camión, bicicleta y más. El algoritmo del modelo intenta identificar los patrones en los datos de entrenamiento que hacen que una entrada (imágenes de vehículos) reciba una salida designada (tipo de vehículo). 

Las conjeturas del modelo se miden contra valores de datos reales en un conjunto de prueba para determinar si ha hecho predicciones precisas. En caso contrario, el ciclo de entrenamiento continúa hasta que el rendimiento del modelo alcance un nivel satisfactorio de precisión. El principio de generalización se refiere a la capacidad de un modelo para realizar predicciones apropiadas sobre datos nuevos de la misma distribución que sus datos de entrenamiento.

Las tareas de aprendizaje supervisado se pueden dividir en términos generales en problemas de clasificación y regresión:

La clasificación en machine learning utiliza un algoritmo para clasificar los datos en categorías. Reconoce entidades específicas dentro del conjunto de datos e intenta determinar cómo se deben etiquetar o definir esas entidades. Los algoritmos de clasificación más comunes son los clasificadores lineales, las máquinas de vectores de soporte (SVM), los árboles de decisión, el k vecino más cercano (KNN), la regresión logística y el bosque aleatorio.

Las redes neuronales destacan en el manejo de problemas complejos de clasificación. Una red neuronal es una arquitectura de deep learning que procesa datos de entrenamiento con capas de nodos que imitan el cerebro humano. Cada nodo se compone de entradas, ponderaciones, un sesgo (umbral) y una salida. Si un valor de salida supera un umbral preestablecido, el nodo se "dispara" o activa, pasando datos a la siguiente capa de la red. 

La regresión se usa para entender la relación entre variables dependientes e independientes. En los problemas de regresión, el resultado es un valor continuo y los modelos intentan predecir el output objetivo. Las tareas de regresión incluyen proyecciones de ingresos por ventas o planificación financiera.

Los algoritmos de regresión incluyen la regresión lineal, la regresión de Lasso, la regresión de cresta y la regresión polinomial son tres ejemplos de algoritmos de regresión.

El aprendizaje por conjuntos es un metaenfoque del aprendizaje supervisado en el que se entrenan varios modelos en la misma tarea de clasificación o regresión. Los resultados de todos los modelos del grupo se agregan para descubrir el mejor enfoque general para resolver el desafío.

Los algoritmos individuales dentro del modelo de conjunto más grande se conocen como aprendices débiles o modelos base. Algunos aprendices débiles tienen un alto sesgo, mientras que otros tienen una gran varianza. En teoría, los resultados mitigan la compensación sesgo-varianza combinando las mejores partes de cada uno.

Los algoritmos de optimización, como el descenso de gradiente, entrenan una amplia gama de algoritmos de machine learning que destacan en tareas de aprendizaje supervisado. 

• Naïve Bayes: Naïve Bayes es un algoritmo de clasificación que adopta el principio de independencia condicional de clase del teorema de Bayes. Esto significa que la presencia de una característica no influye en la presencia de otra en la probabilidad de un resultado, y que cada predictor tiene el mismo efecto en ese resultado.

  Los clasificadores Naïve Bayes incluyen el multinomial, el de Bernoulli y el gaussiano. Esta técnica se utiliza a menudo en la clasificación de texto, la identificación de spam y los sistemas de recomendación. 

• Regresión lineal: la regresión lineal se utiliza para identificar la relación entre una variable dependiente continua y una o más variables independientes. Por lo general, se utiliza para hacer predicciones sobre resultados futuros.

  La regresión lineal expresa la relación entre variables como una línea recta. Cuando solo hay una variable independiente y una variable dependiente, se le conoce como regresión lineal simple. A medida que aumenta el número de variables independientes, la técnica se denomina regresión lineal múltiple. 

• Regresión no lineal: a veces, no se puede reproducir una salida a partir de entradas lineales. En estos casos, las salidas deben modelarse con una función no lineal. La regresión no lineal expresa una relación entre variables a través de una línea no lineal o curva. Los modelos no lineales pueden manejar relaciones complejas con muchos parámetros. 

• Regresión logística: la regresión logística gestiona variables dependientes categóricas, cuando tienen resultados binarios, como verdadero o falso o positivo o negativo. Mientras que los modelos de regresión lineal y logística buscan comprender las relaciones entre las entradas de datos, la regresión logística se utiliza principalmente para resolver problemas de clasificación binaria, como la identificación de spam. 

• Regresión polinomial: al igual que otros modelos de regresión, la regresión polinomial modela una relación entre variables en un gráfico. Las funciones utilizadas en la regresión polinomial expresan esta relación a través de un grado exponencial. La regresión polinómica es un caso especial de regresión en el que las características de entrada se elevan a potencias, lo que permite que los modelos lineales se ajusten a patrones no lineales. 

• Máquina de vectores de soporte (SVM): una máquina de vectores de soporte se utiliza tanto para la clasificación como para la regresión de datos. Dicho esto, suele gestionar problemas de clasificación. Aquí, SVM separa las clases de puntos de datos con un límite de decisión o hiperplano. El objetivo del algoritmo SVM es trazar el hiperplano que maximiza la distancia entre los grupos de puntos de datos. 

• K-vecino más cercano: K-vecino más cercano (KNN) es un algoritmo no paramétrico que clasifica los puntos de datos en función de su proximidad y asociación con otros datos disponibles. Este algoritmo supone que se pueden encontrar puntos de datos similares cerca unos de otros cuando se trazan matemáticamente.

  Su facilidad de uso y su bajo tiempo de cálculo lo hacen eficiente cuando se utiliza para motores de recomendación y reconocimiento de imágenes. Pero a medida que crece el conjunto de datos de prueba, el tiempo de procesamiento se alarga, lo que lo hace menos atractivo para las tareas de clasificación. 

• Bosque aleatorio: el bosque aleatorio es un algoritmo de machine learning supervisado flexible que se utiliza para fines de clasificación y regresión. El "bosque" hace referencia a una colección de árboles de decisión no correlacionados que se fusionan para reducir la varianza y aumentar la precisión. 

El aprendizaje supervisado no es el único método de aprendizaje para entrenar modelos de machine learning. Otros tipos de machine learning incluyen: 

• Aprendizaje no supervisado

• Aprendizaje semisupervisado 

• Aprendizaje autosupervisado

• Aprendizaje de refuerzo 

La diferencia entre el aprendizaje supervisado y el aprendizaje no supervisado es que el machine learning no supervisado utiliza datos no etiquetados sin ninguna verdad básica objetiva. Se deja que el modelo descubra por sí solo patrones y relaciones en los datos. Muchos modelos de IA generativa se entrenan inicialmente con aprendizaje no supervisado y más tarde con aprendizaje supervisado para aumentar la experiencia en el dominio. 

El aprendizaje no supervisado puede ayudar a resolver problemas de clúster o asociación en los que las propiedades comunes dentro de un conjunto de datos son inciertas. Los algoritmos de clustering más comunes son los jerárquicos, medias k y los modelos de mezcla gaussiana.

• Análisis exploratorio: el aprendizaje no supervisado es útil cuando no se sabe "qué buscar". Puede encontrar estructuras ocultas o anomalías en los datos que los humanos podrían no esperar.

• Sin etiquetado de datos: la mayoría de los datos del mundo real no están etiquetados, y etiquetarlos requiere mucho tiempo y esfuerzo.

• Flexibilidad: los modelos de aprendizaje no supervisado pueden adaptarse rápidamente a nuevos datos debido a su capacidad para procesar datos de forma autónoma.

• Escalabilidad: sin necesidad de etiquetas de verdad, las técnicas de aprendizaje no supervisado son fácilmente escalables a conjuntos de datos masivos.

• Resultados imprecisos: sin la base de la verdad sobre el terreno, es menos claro de inmediato si un modelo de aprendizaje no supervisado se ha entrenado correctamente.

• Sensibilidad: los conjuntos de datos ruidosos pueden afectar negativamente a los resultados del entrenamiento. La ingeniería de características puede ayudar a normalizar los conjuntos de datos para un aprendizaje no supervisado más fluido.

• Confianza en buenos datos: toda formación necesita buenos datos. Pero sin una verdad básica objetiva, el sesgo u otros errores en los datos pueden dar lugar a modelos que refuercen esos malentendidos.

El aprendizaje semisupervisado implica entrenar un modelo en una pequeña porción de datos de entrada etiquetados junto con una porción más grande de datos no etiquetados. Dado que confiar en la experiencia del dominio para etiquetar los datos de forma adecuada para el aprendizaje supervisado puede llevar mucho tiempo y resultar costoso, el aprendizaje semisupervisado puede ser una alternativa atractiva.

• Menos dependiente del etiquetado: en comparación con el aprendizaje supervisado, el aprendizaje semisupervisado requiere menos etiquetado, lo que reduce las barreras de entrada para el entrenamiento de modelos.
   

• Descubrimiento de patrones ocultos: al igual que el aprendizaje no supervisado, el uso de datos no etiquetados por parte del aprendizaje semisupervisado puede conducir al descubrimiento de patrones, relaciones y anomalías que de otro modo podrían pasar desapercibidas.
   

• Más flexible: el aprendizaje semisupervisado crea una base a través de datos reales y luego los aumenta con conjuntos de datos no etiquetados para hacer que los modelos sean más generalizables.

• Sensibilidad al ruido: los conjuntos de datos no etiquetados con altos grados de ruido pueden alterar los resultados del entrenamiento, debilitando el rendimiento del modelo.
   

• Sensibilidad al sesgo: si los conjuntos de datos no etiquetados no se analizan en busca de sesgos implícitos, esos sesgos pueden transferirse a los modelos que se están entrenando.
   

• Más complejo: reunir datos etiquetados y no etiquetados en un único proceso de entrenamiento puede implicar técnicas complejas de proceso de datos o requerir más recursos.

El aprendizaje autosupervisado (SSL) se describe a menudo como un puente entre el aprendizaje supervisado y el no supervisado. En lugar de utilizar las etiquetas creadas manualmente de conjuntos de datos de aprendizaje supervisado, las tareas SSL se configuran para que el modelo pueda generar sus propias señales de supervisión (implícitas o pseudoetiquetas) y distinguir la verdad básica de los datos no estructurados. A continuación, la función de pérdida del modelo utiliza esas etiquetas en lugar de las etiquetas reales para evaluar el rendimiento del modelo.

SSL se utiliza a menudo con el aprendizaje por transferencia, un proceso en el que se aplica un modelo preentrenado a una tarea posterior. El aprendizaje autosupervisado se utiliza ampliamente en tareas de visión artificial y procesamiento del lenguaje natural (PLN) que requieren grandes conjuntos de datos que son prohibitivamente caros y lentos de etiquetar.

• Eficiencia: en lugar de que los científicos de datos etiqueten los puntos de datos, SSL automatiza el proceso de etiquetado transfiriendo la tarea al modelo.

• Escalabilidad: la menor dependencia de SSL en el etiquetado manual de datos se presta bien para escalar con grupos más grandes de datos sin etiquetar.
   

• Baja dependencia del etiquetado: en los casos en los que los datos reales etiquetados son escasos, SSL compensa el déficit mediante la comprensión generada por el modelo.
   

• Versatilidad: los modelos autosupervisados aprenden características ricas y transferibles que pueden ajustarse para muchas tareas multimodales y específicas del dominio.

• Intensidad informática: el procesamiento de conjuntos de datos sin etiquetar y la generación de etiquetas requiere mucha potencia informática.
   

• Complejo: el proceso de creación de tareas de pretexto para el aprendizaje supervisado (la fase inicial de aprendizaje) requiere un alto grado de experiencia.
   

• Potencialmente poco fiable: como cualquier técnica de aprendizaje que elimina la supervisión humana, los resultados dependen de que los datos estén libres de exceso de ruido, sesgos implícitos y otros factores que puedan afectar negativamente a la comprensión del modelo.

El aprendizaje por refuerzo entrena a agentes autónomos, como robots y coches autónomos, para tomar decisiones a través de interacciones ambientales. El aprendizaje por refuerzo no utiliza datos etiquetados y también difiere del aprendizaje no supervisado en que enseña mediante prueba y error y recompensa, no mediante la identificación de patrones subyacentes dentro de conjuntos de datos.

• Resuelve tareas complejas: el proceso de entrenamiento de prueba y error puede llevar a un modelo a descubrir cómo abordar desafíos estratégicos complejos.
   

• No depende del etiquetado: los modelos aprenden de forma experiencial, no teóricamente a través de la coincidencia de entradas con salidas.
   

• Autocorrección: los modelos perfeccionan su propio comportamiento a medida que se equivocan durante el entrenamiento.
   

• Adaptable: los modelos pueden adaptarse a la nueva información y a las circunstancias cambiantes en las que los resultados no están predefinidos.

• Propenso a resultados incoherentes: el aprendizaje de prueba y error puede parecer desordenado e impredecible, especialmente cuando se empieza a entrenar por primera vez.
   

• Necesidades de datos ambientales: el aprendizaje por refuerzo requiere que los modelos aprendan de las consecuencias de sus acciones, lo que a su vez requiere grandes cantidades de datos ambientales. Sin embargo, los agentes también pueden aprender en entornos simulados.
   

• Hacking de recompensas: los modelos pueden explotar lagunas en el algoritmo de recompensas para generar recompensas sin cumplir adecuadamente sus tareas.
   

• Específico de la tarea: el aprendizaje por refuerzo sobresale en modelos de entrenamiento para una función específica. Esos modelos pueden tener dificultades para transferir lo que han aprendido a nuevas tareas.

Los modelos de aprendizaje supervisado pueden crear y hacer avanzar aplicaciones empresariales, entre ellas: 

• Reconocimiento de imágenes y objetos: los algoritmos de aprendizaje supervisado se pueden utilizar para localizar, aislar y categorizar objetos a partir de vídeos o imágenes, lo que los hace útiles con tareas de visión artificial y análisis de imágenes. 

• Análisis predictivo: los modelos de aprendizaje supervisado crean sistemas de análisis predictivo para proporcionar conocimiento. Esto permite a las empresas anticiparse a los resultados en función de una variable de salida y tomar decisiones basadas en datos, lo que a su vez ayuda a los directivos a justificar sus decisiones o a pivotar en beneficio de la organización.

  La regresión también permite a los proveedores sanitarios predecir los resultados en función de los criterios del paciente y los datos históricos. Un modelo predictivo podría evaluar el riesgo de un paciente de padecer una enfermedad o afección específica en función de sus datos biológicos y de estilo de vida. 

• Análisis del sentimiento del cliente: las organizaciones pueden extraer y clasificar información importante a partir de grandes volúmenes de datos (incluidos el contexto, la emoción y la intención) con una intervención humana mínima. El análisis de sentimiento permite comprender mejor las interacciones con los clientes y puede utilizarse para mejorar los esfuerzos de interacción con la marca. 

• Segmentación de clientes: los modelos de regresión pueden predecir el comportamiento de los clientes en función de varios rasgos y tendencias históricas. Las empresas pueden utilizar modelos predictivos para segmentar su base de clientes y crear perfiles de compradores para mejorar las iniciativas de marketing y el desarrollo de productos. 

• Detección de spam: la detección de spam es otro ejemplo de un modelo de aprendizaje supervisado. Al utilizar algoritmos de clasificación supervisados, las organizaciones pueden entrenar bases de datos para reconocer patrones o anomalías en nuevos datos y así organizar eficazmente el spam y la correspondencia no relacionada con el spam. 

• Previsión: los modelos regresivos destacan en la previsión basada en tendencias históricas, lo que los hace adecuados para su uso en los sectores financieros. Las empresas también pueden utilizar la regresión para predecir las necesidades de inventario, estimar los salarios de los empleados y evitar posibles contratiempos en la cadena de suministro. 

• Motores de recomendación: con los modelos de aprendizaje supervisado en juego, los proveedores de contenido y los mercados en línea pueden analizar las elecciones, preferencias y compras de los clientes y crear motores de recomendación que ofrezcan recomendaciones personalizadas con más probabilidades de convertir.

Aunque el aprendizaje supervisado puede ofrecer a las empresas ventajas como conocimientos profundos de los datos y una mejor automatización, puede que no sea la mejor opción para todas las situaciones. 

• Limitaciones del personal: los modelos de aprendizaje supervisado pueden requerir ciertos niveles de experiencia para estructurarlos con precisión. 

• Participación humana: los modelos de aprendizaje supervisado son incapaces de autoaprendizaje. Los científicos de datos deben validar los resultados de rendimiento de los modelos. 

• Requisitos de tiempo: los conjuntos de datos de entrenamiento son grandes y deben etiquetarse manualmente, lo que hace que el proceso de aprendizaje supervisado requiera mucho tiempo. 

• Inflexibilidad: los modelos de aprendizaje supervisado tienen dificultades para etiquetar los datos fuera de los límites de sus conjuntos de datos de entrenamiento. Un modelo de aprendizaje no supervisado podría ser más capaz de tratar con nuevos datos. 

• Sesgo: los conjuntos de datos corren el riesgo de sufrir errores y sesgos humanos, lo que hace que los algoritmos aprendan de forma incorrecta.  El sesgo puede surgir de conjuntos de datos de entrenamiento desequilibrados, malas prácticas de anotación o desigualdades históricas reflejadas en los datos.

• Sobreajuste: el aprendizaje supervisado a veces puede dar lugar a un sobreajuste: cuando un modelo se adapta demasiado a su conjunto de datos de entrenamiento. Una alta precisión en el entrenamiento puede indicar un sobreajuste en lugar de un rendimiento generalmente sólido. Evitar el sobreajuste requiere que los modelos se prueben con datos diferentes de los datos de entrenamiento.