Algoritmos Supervisados y No Supervisados en Machine Learning

Esto de to hear in ingles but to read las diapositivas in spanish me provoca un neural short circuit 🥴

Machine Learning

Supervised Learning

Unsupervised Learning

Diego Jurado

jaja... that´s verdad!!

Antonio Demarco Bonino

Encontré este video para ampliar la clase en sí: https://www.youtube.com/watch?v=WM7XaTyX7O8&ab_channel=AprendeInnovando

Rafael Rivera

Buen aporte

Horacio Gaido

Gracias Antonio! Excelente aporte!

Oswaldo Jair García Franco

Los modelos de machine learning (aprendizaje automático) se pueden clasificar en varias categorías, dependiendo de cómo aprenden de los datos y cómo realizan predicciones o toman decisiones. Aquí están los tipos principales:

Aprendizaje Supervisado: Estos modelos se entrenan con datos etiquetados, lo que significa que cada ejemplo en el conjunto de entrenamiento está asociado con la respuesta correcta (etiqueta). El objetivo es aprender un mapeo de las entradas a las salidas. Ejemplos comunes incluyen:
- Regresión Lineal: Predice valores continuos.
- Regresión Logística: Utilizado para clasificación binaria.
- Árboles de Decisión y Bosques Aleatorios: Pueden usarse para clasificación y regresión.
- Máquinas de Soporte Vectorial (SVM): Para clasificación y regresión.
- Redes Neuronales: Ampliamente utilizadas en tareas complejas como el reconocimiento de imágenes y voz.
Aprendizaje No Supervisado: Estos modelos trabajan con datos no etiquetados. El objetivo es explorar la estructura de los datos para extraer patrones significativos.!Untitled
- Clustering (Agrupamiento): Como K-means, para agrupar datos en subconjuntos basados en similitudes.
- Reducción de Dimensionalidad: Como el Análisis de Componentes Principales (PCA), para reducir el número de variables.
- Reglas de Asociación: Como el algoritmo A priori, para descubrir relaciones entre variables.
Aprendizaje Semi-Supervisado: Combina un pequeño conjunto de datos etiquetados con un gran conjunto de datos no etiquetados durante el entrenamiento. Es útil cuando las etiquetas son costosas de obtener.
Aprendizaje por Refuerzo: En este tipo, los modelos aprenden a tomar decisiones secuenciales. Reciben señales de recompensa o penalización a medida que interactúan con un entorno. Ejemplos incluyen:
- Q-Learning
- Deep Q Networks (DQN)
- Política de Gradientes
Aprendizaje Profundo (Deep Learning): Un subcampo del aprendizaje automático que utiliza redes neuronales con muchas capas. Es muy efectivo en tareas complejas como el procesamiento del lenguaje natural y el reconocimiento de imágenes y voz.
Modelos Híbridos/Ensemble Learning: Combinan múltiples modelos de machine learning para mejorar el rendimiento. Ejemplos incluyen:
- Bagging: Como el Bosque Aleatorio.
- Boosting: Como XGBoost, AdaBoost.
- Stacking: Combinar las predicciones de múltiples modelos.

Cada tipo de modelo tiene sus propias fortalezas y debilidades, y la elección del modelo adecuado depende en gran medida del problema específico, la naturaleza de los datos disponibles y los objetivos del análisis.

Joel Orellana

:3 que super le entendí

Benjamín Cortés

I love this course that in each video they summarize the topics that were seen, in addition to the fact that the teacher explains very well, a very good course, congratssss 😁

Diego Ferrua Huivin

MACHINE LEARNING

SUPERVISADO

El modelo obtine features de entrada y salida.

Hay un target/objetivo a predecir.

Regresion lineal(Estimacion de esperanza de vida, Advertising popularity prediction, Pronostico de temperatura, mercado):

Target output (objetivo de salida) es numerico.

Clasificacion: (Clasificacion de imagenes, Retencion de clientes, Deteccion de fraudes de identidad, diagnostico)

Target output es una etiqueta.

Regresion logistica.

Random forest.

NO SUPERVISADO

Objetivo desconocido, queremos encontrar estructira y grupos dentro de los datos.

Clustering:

Queremos encontrar grupos en los datos.

K-means.

Hierarchical clustering

Dimensionality reduction:

Queremos encontrar que features de entrada en los datos son de ayuda.

PCA Analisis de componentes principales.

TSNE.

Isaac Bryan Ascanoa Roncall

Interesante los tipos de modelos de machine learning. No sabia que estos siguen funcionando a pesar de cumplir otra funcion.

Paola Alapizco

🤔 Mi conclusión de la clase:

📌 Los algoritmos de aprendizaje supervisado predicen un target (clasificación o regresión). Mientras que los algoritmo de aprendizaje no supervisado predicen estructuras o patrones en los datos.

Victor Hugo Rondon Cordero

Asi es.

Jeinfferson Bernal G

Aprendizaje Supervisado

El objetivo de este aprendizaje es tomar features de entrada y predecir una variable objetivo de salida. Puede ser tanto para muchas features como para una sola, la salida siempre es una. El aprendizaje supervisado se divide en dos:

Regresion: Tiene como objetivo predecir un valor numerico o cuantitativo.
Clasificacion: El objetivo es predecir una variable de tipo categorica bien sea una etiqueta o agrupacion.

Jeinfferson Bernal G

Aprendizaje No Supervisado

Si el objetivo es desconocido, necesitamos ser capaces de encontrar algun tipo de agrupacion o estructura dentro del conjunto de datos. Se clasifica en:

Clustering: Es excelente para encontrar grupos en los datos.
Reduccion de dimensionalidad: util para encontrar los features de entrada que son de ayuda en los datos.

Sofia juarez

Hola!

Seria mejor poder elegir si se desea ver en ingles o en español, habra quienes prefieran verlo en ingles para mejorar la comprensión y habra quienes elijan verlo en español para enfocarse en el aprendizaje del tema que en este caso es Machine Learning.

En lo personal me gustaria que el contenido fuera en español.

pedro lopez

yo prefiero español, me hace perder tiempo de atención-.

Javier Emanuel González Andrade

It’s very simple: if you know what the target is, use a supervised algorithm; if you don’t, use an unsupervised one.

Mario Alexander Vargas Celis

¡Genial! Entender la diferencia entre algoritmos supervisados y no supervisados en Machine Learning (ML) es fundamental para aplicar la técnica adecuada según el tipo de datos y problema que tengas.

🧠 ¿Qué son los Algoritmos Supervisados y No Supervisados?

📌 Aprendizaje Supervisado

El modelo aprende a partir de datos etiquetados, es decir, el conjunto de entrenamiento incluye tanto los inputs (X) como las respuestas esperadas (y).

🔍 Objetivo: Predecir una salida basada en ejemplos conocidos.

Ejemplos de algoritmos:

TipoAlgoritmoUso comúnClasificaciónLogistic Regression, Random Forest, SVM, KNNPredecir categorías (spam/no spam, diagnóstico)RegresiónLinear Regression, Decision Tree Regressor, XGBoostPredecir valores numéricos (precio, temperatura)

Ejemplo en código:

from sklearn.linear_model import LogisticRegression model = LogisticRegression() model.fit(X_train, y_train) # Entrena con datos etiquetados

📌 Aprendizaje No Supervisado

El modelo no tiene etiquetas. Se utiliza para descubrir patrones ocultos, grupos o estructura en los datos.

🔍 Objetivo: Entender la distribución o agrupar datos sin respuestas previas.

Ejemplos de algoritmos:

AlgoritmoUso comúnK-MeansAgrupar clientes en segmentosDBSCANDetección de anomalíasPCA (Análisis de Componentes Principales)Reducción de dimensionalidad

Ejemplo en código:

from sklearn.cluster import KMeans model = KMeans(n_clusters=3) model.fit(X) # Solo necesita los datos, no etiquetas

⚖️ Comparación Rápida

CaracterísticaSupervisadoNo SupervisadoRequiere etiquetas✅ Sí❌ NoTipos de problemasClasificación y regresiónClustering, reducción de dimensionesEjemplo típicoPredecir si un cliente compraráSegmentar clientes según comportamientoEjemplo de algoritmosSVM, Random Forest, XGBoostK-Means, PCA, DBSCAN

🧪 ¿Cuál elegir?

Usa supervisado cuando tienes datos etiquetados y quieres predecir.
Usa no supervisado cuando tienes solo características y quieres explorar o agrupar.

Cristian Omar Rubio Ceja

una duda, si tengo que realizar un modelo en el que se pueda indicar si un cliente se le puede otorgar un credito bancario, ahi que tipo de algoritmos se utilizarian, pensaba que seria supervisado con regresion logistica, pero no estoy seguro

a doubt, if I have to make a model in which I can indicate if a client can be granted a bank credit, then what kind of algorithms would be used, I thought it would be supervised with logistic regression, but I am not sure.

Iván Roberto Rivas Celeita

yes, the answer could be 1 or 0

Victor Hugo Rondon Cordero

si, es una regresión logistica, 1=si, 0= no puede ser y le daria la probabilidad de darle un creditoa una persona con los parámeros que ud alimentó

Rodmy Suarez

Jose Galarza

Dear, I have a question about the features in ML.

The dimensionality reduction (unsupervised) could be used to find new features and use them in the supervised models? Considering that in the unsupervised, you don't have a clear objective.

Mario Alberto Hernández Pintor

Reference get from the diapositives:

Which Machine Learning Algorithm Should You USe By Problem Type?

Jhon Freddy Tavera Blandon