Diferencia entre revisiones de «Aprendizaje supervisado»
(Versión inicial) |
|||
| (No se muestran 4 ediciones intermedias de 2 usuarios) | |||
| Línea 1: | Línea 1: | ||
| − | En [[Aprendizaje Automático]], el aprendizaje supervisado es una técnica para deducir una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. | + | {{Definición |
| + | |nombre=Aprendizaje supervisado | ||
| + | |imagen= | ||
| + | |tamaño= | ||
| + | |concepto=técnica para deducir una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. | ||
| + | }} | ||
| + | |||
| + | En [[Aprendizaje Automático]], el '''aprendizaje supervisado''' es una técnica para deducir una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. | ||
Los datos de entrenamiento consisten de pares de datos: una componente del par son los datos de entrada y la otra los resultados deseados. La salida de la función puede ser un valor numérico (como en los problemas de regresión) o una etiqueta de clase (como en los de clasificación). | Los datos de entrenamiento consisten de pares de datos: una componente del par son los datos de entrada y la otra los resultados deseados. La salida de la función puede ser un valor numérico (como en los problemas de regresión) o una etiqueta de clase (como en los de clasificación). | ||
| Línea 8: | Línea 15: | ||
El aprendizaje supervisado incluye dos categorías de algoritmos: | El aprendizaje supervisado incluye dos categorías de algoritmos: | ||
| − | * '''Clasificación''': para valores de respuesta categóricos, en los que los datos se pueden separar en "clases" específicas. En esta categoría se incluyen los algoritmos:** | + | * '''Clasificación''': para valores de respuesta categóricos, en los que los datos se pueden separar en "clases" específicas. En esta categoría se incluyen los algoritmos: |
| − | ** Redes neuronales | + | ** [[Máquinas de vectores de soporte (SVM)]] |
| + | ** [[Redes neuronales artificiales|Redes neuronales]] | ||
** Clasificador Naïve Bayes | ** Clasificador Naïve Bayes | ||
| − | ** Árboles de decisión | + | ** [[Árboles de decisión]] |
** Análisis discriminante | ** Análisis discriminante | ||
| − | ** Vecinos más cercanos (kNN) | + | ** [[Regla de los K vecinos más cercanos|Vecinos más cercanos (kNN)]] |
* '''Regresión''': para valores de respuesta continua. Entre los algoritmos de regresión comunes se incluyen: | * '''Regresión''': para valores de respuesta continua. Entre los algoritmos de regresión comunes se incluyen: | ||
| − | ** Regresión lineal | + | ** [[Regresión lineal]] |
| − | ** Regresión no lineal | + | ** [[Regresión no lineal]] |
** Modelos lineales generalizados | ** Modelos lineales generalizados | ||
| − | ** Árboles de decisión | + | ** [[Árboles de decisión]] |
| − | ** Redes neuronales | + | ** [[Redes neuronales artificiales|Redes neuronales]] |
== Aplicaciones == | == Aplicaciones == | ||
| Línea 29: | Línea 37: | ||
[[Categoría:Inteligencia artificial]] | [[Categoría:Inteligencia artificial]] | ||
| + | [[Categoría:Aprendizaje automático]] | ||
última versión al 01:22 29 ago 2020
| ||||
En Aprendizaje Automático, el aprendizaje supervisado es una técnica para deducir una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema.
Los datos de entrenamiento consisten de pares de datos: una componente del par son los datos de entrada y la otra los resultados deseados. La salida de la función puede ser un valor numérico (como en los problemas de regresión) o una etiqueta de clase (como en los de clasificación).
El objetivo del aprendizaje supervisado es el de crear una función capaz de predecir el valor correspondiente a cualquier dato de entrada válida después de haber visto una serie de ejemplos (datos de entrenamiento). Para ello, tiene que generalizar a partir de los datos presentados a las situaciones no vistas previamente.
Algoritmos
El aprendizaje supervisado incluye dos categorías de algoritmos:
- Clasificación: para valores de respuesta categóricos, en los que los datos se pueden separar en "clases" específicas. En esta categoría se incluyen los algoritmos:
- Máquinas de vectores de soporte (SVM)
- Redes neuronales
- Clasificador Naïve Bayes
- Árboles de decisión
- Análisis discriminante
- Vecinos más cercanos (kNN)
- Regresión: para valores de respuesta continua. Entre los algoritmos de regresión comunes se incluyen:
- Regresión lineal
- Regresión no lineal
- Modelos lineales generalizados
- Árboles de decisión
- Redes neuronales
Aplicaciones
Las aplicaciones en las que se pueden utilizar los algoritmos de aprendizaje supervisado son, entre otros: aplicaciones financieras para la calificación crediticia, el trading algorítmico y la calificación de bonos; en aplicaciones biológicas para la detección de tumores y el descubrimiento de fármacos; en aplicaciones energéticas para la predicción de carga y precio; y en aplicaciones de reconocimiento de patrones para el habla y las imágenes.
