Tipos de aprendizaje en Machine Learning

Típicamente los algoritmos se clasifican por el tipo de aprendizaje, hablando de:

• Aprendizaje supervisado

• Aprendizaje sin supervisión

• Aprendizaje semi-supervisado

Conforme esta clasificación:

Algoritmos de aprendizaje supervisado:

• En estos, los datos de entrada se llaman datos de entrenamiento y tienen una etiqueta o resultado conocido (como puede ser la temperatura media en un día, si un correo es spam o no,…)

• En estos se prepara un modelo a través de un proceso de entrenamiento, requerido para hacer predicciones y que se corrige (se reentrena cuando las predicciones son incorrectas).

• Problemas típicos son clasificaciones (de mails) y regresiones con algoritmos como la regresión logística o las redes neuronales

Algoritmos de aprendizaje sin supervisión:

• En estos los datos de entrada no se etiquetan y no tienen un resultado conocido.

• Es necesario preparar el modelo deduciendo estructuras presentes en los datos de entrada, bien sea extrayendo reglas o a través de un proceso automático.

• Problemas típicos con el clusering, reducción de dimensiones,… y algoritmo típicos el k-means y Apriori.

Algoritmos de aprendizaje semi-supervisado

• Los datos de entrada son una mezcla de ejemplos etiquetados y sin etiquetar

• Hay un problema de predicción pero el modelo debe aprender las estructuras para organizar los datos además de parar hacer predicciones.

• Problemas típicos son las clasificaciones y regresión y los algortimos son extensiones de los ya mencionados.