Fundamentos Teóricos del Aprendizaje Supervisado y No Supervisado.ipynb

Volver

Fundamentos Teóricos del Aprendizaje Supervisado y No Supervisado

1. Aprendizaje Supervisado

Conceptos Teóricos:

Definición: En el aprendizaje supervisado, se entrena un modelo en un conjunto de datos que incluye tanto las entradas (features) como las salidas correctas (labels). El objetivo es que el modelo aprenda a predecir las salidas a partir de nuevas entradas.

Enfoque: Utiliza pares de entrada-salida para aprender una función que mapea entradas a salidas.

Ejemplos de Algoritmos:

Regresión Lineal: Predice un valor continuo.

Clasificación Logística: Clasifica los datos en categorías.

Fragmento de Código: Regresión Lineal con Scikit-Learn

from sklearn.linear_model import LinearRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import mean_squared_error

import numpy as np

 

# Ejemplo de datos

X = np.array([[1], [2], [3], [4]])

y = np.array([2, 3, 5, 7])

 

# Dividir los datos

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

 

# Crear y entrenar el modelo

model = LinearRegression()

model.fit(X_train, y_train)

 

# Predecir y evaluar

y_pred = model.predict(X_test)

print("Error Cuadrático Medio:", mean_squared_error(y_test, y_pred))

RESULTADO:

Error Cuadrático Medio: 0.44444444444444486

2. Aprendizaje No Supervisado

Conceptos Teóricos:

Definición: En el aprendizaje no supervisado, el modelo trabaja con datos que no tienen etiquetas. El objetivo es explorar la estructura de los datos para encontrar patrones.

Enfoque: Descubre patrones ocultos en los datos sin necesidad de intervención humana.

Ejemplos de Algoritmos:

K-Means: Un algoritmo de agrupamiento que divide los datos en grupos (clusters) basados en sus características.

Análisis de Componentes Principales (PCA): Reduce la dimensionalidad de los datos manteniendo la mayor cantidad de información posible.

Fragmento de Código: K-Means con Scikit-Learn

from sklearn.cluster import KMeans

import numpy as np

 

# Ejemplo de datos

X = np.array([[1, 2], [1, 4], [1, 0],

              [10, 2], [10, 4], [10, 0]])

 

# Crear y entrenar el modelo

kmeans = KMeans(n_clusters=2, random_state=0).fit(X)

 

# Centroides de los clusters

print("Centroides:", kmeans.cluster_centers_)

RESULTADO:

Centroides: [[10.  2.]

 [ 1.  2.]]

Cómo Elegir entre Aprendizaje Supervisado y No Supervisado

Supervisado: Se elige cuando se tienen datos etiquetados y se busca predecir o clasificar.

No Supervisado: Útil cuando se exploran datos sin etiquetar para encontrar patrones o reducir dimensiones.

Imágenes y Gráficos

Generaré una imagen que ilustre el concepto de ambos tipos de aprendizaje.

Aquí tienes una imagen que ilustra la diferencia entre el aprendizaje supervisado y no supervisado. En el lado del aprendizaje supervisado, se muestran puntos de datos etiquetados con un límite de decisión, representando algoritmos como la regresión lineal. En el lado del aprendizaje no supervisado, se observan agrupaciones de puntos de datos sin etiquetas, simbolizando algoritmos como el K-Means.

Conclusiones y Reflexiones

El aprendizaje supervisado es poderoso para tareas de predicción y clasificación con datos etiquetados.

El no supervisado es esencial para entender y reducir la complejidad de los datos sin etiquetas.

La elección entre ambos depende del tipo de datos disponibles y del problema a resolver.

Reflexiones Finales

Adaptabilidad: La IA, tanto supervisada como no supervisada, es increíblemente adaptable a una variedad de datos y problemas.

Desafíos y Oportunidades: Cada tipo tiene sus desafíos únicos, pero también ofrece oportunidades distintas para la comprensión de datos y la toma de decisiones.

Avance Continuo: El campo está en constante evolución, ofreciendo nuevas técnicas y enfoques para mejorar el rendimiento y la eficiencia.

Volver