Aprendizaje automático supervisado
¿Qué es el aprendizaje automático supervisado?
El aprendizaje automático supervisado es un tipo de inteligencia artificial en el cual el modelo se entrena con datos etiquetados. En este caso, el algoritmo se alimenta con pares de entrada y salida, del tal forma que puede aprender la asignación entre entradas y, seguidamente, sus salidas correspondientes.
- ¿Cómo funciona el aprendizaje automático supervisado?
- El proceso del aprendizaje supervisado
- Tipos de aprendizaje automático supervisado
- Conviértete en partner de HPE
¿Cómo funciona el aprendizaje automático supervisado?
En el momento del entrenamiento con aprendizaje automático supervisado, el algoritmo afina sus parámetros para reducir la diferencia entre las salidas esperadas y las salidas reales que se producen. Una vez entrenado, el modelo puede generar predicciones sobre datos previamente desconocidos mediante la generalización de patrones a partir de los datos de entrenamiento. Los problemas comunes del aprendizaje supervisado incluyen la clasificación, que predice una etiqueta categórica, y la regresión, que predice un valor continuo.
El proceso del aprendizaje supervisado
En el aprendizaje supervisado, un paradigma esencial del aprendizaje automático, los algoritmos aprenden a partir de los datos etiquetados para realizar predicciones o decisiones. Este proceso consta de etapas clave importantes, desde la recopilación de datos y el preprocesado hasta el entrenamiento de modelos, su prueba e implementación. Cada etapa desempeña un papel fundamental en el desarrollo y la implementación de unos modelos efectivos para varias aplicaciones del mundo real.
- Procesamiento y recopilación de datos: un montón de datos sin procesar necesitan prepararse y modificarse para que el modelo de aprendizaje automático pueda procesar los datos de manera eficaz. Normalmente, un analista o científico de datos analizará los datos e identificará las carencias, además de comprobar si se necesita más contexto o añadir más datos al conjunto a fin de complementar el modelo de aprendizaje automático.
- Proceso de entrenamiento: el conjunto de datos se introduce en el algoritmo de aprendizaje automático, el cual seguidamente aprende a identificar patrones, correlaciones con otras regiones de datos y relaciones entre las funciones de entrada y las etiquetas de salida. El algoritmo ajusta sus parámetros internos para encontrar la mejor función matemática que asigna las funciones de entrada a las etiquetas de salida. Un científico de datos revisará la primera iteración y ajustará el proceso hasta que esté listo para las pruebas de modelos.
- Pruebas de modelos: tras la calibración del algoritmo de aprendizaje automático, comienzan las pruebas en datos nuevos o no vistos a fin de determinar si se obtiene una respuesta similar o coherente respecto a la fase de entrenamiento. Si la salida es menor que la deseable, el científico de datos ajustará el algoritmo hasta que se obtenga una respuesta coherente o tendrá que empezar el proceso de nuevo.
Ejecución de modelos: tras obtener resultados coherentes, el modelo se implementará sobre nuevos datos que lleguen a la empresa y se utilizará para predecir nuevos resultados, prever presupuestos o ingresos u observar la nueva tendencia.
Tipos de aprendizaje automático supervisado
Clasificación: la clasificación es un tipo de aprendizaje supervisado por el que el algoritmo clasifica los datos en clases o categorías predefinidas sobre la base de las características de entrada. Aprende de los datos de entrenamiento etiquetados y, a continuación, predice las etiquetas de clase para puntos de datos nuevos y no vistos.
Sectores:
- Atención sanitaria: clasificación de imágenes médicas para el diagnóstico de enfermedades.
- Finanzas: clasificación de transacciones para la detección de fraude.
- Comercio electrónico: agrupamiento de clientes para marketing orientado.
Regresión: la regresión es una técnica de aprendizaje supervisado utilizada para predecir valores numéricos continuos basados en la relación entre las características de entrada y las variables de salida. Aprende de los datos de entrenamiento etiquetados para estimar esta relación y realizar predicciones sobre datos nuevos.
Sectores:
- Bienes raíces: predecir los precios de la vivienda sobre la base de las características de la propiedad.
- Atención sanitaria: predecir los tiempos de recuperación de los pacientes sobre la base del tratamiento.
- Energía: calcular el consumo energético para la planificación de recursos.
Conviértete en partner de HPE
Las alianzas de HPE pueden ayudar a escalar los modelos de aprendizaje automático e IA. He aquí algunos de los productos que pueden acelerar la adopción de IA en tu empresa:
- HPE Machine Learning Development Environment: posee todo lo necesario para diseñar, entrenar e implementar modelos de aprendizaje automático. Contiene IDE (entornos de desarrollo integrado), bibliotecas y marcos de trabajo optimizados para el aprendizaje automático.
- HPE Machine Learning Data Management Software: esta herramienta organiza los datos de aprendizaje automático. Optimiza la importación de datos, el preprocesado, el etiquetado y la generación de versiones para seleccionar y poner los datos a disposición para el entrenamiento y la prueba de modelos.
- Productos de análisis de datos, aprendizaje automático e inteligencia artificial: las soluciones HPE se han diseñado para la IA, el aprendizaje automático y el análisis de datos. Pueden incluir aceleradores de hardware, servidores especializados, soluciones de almacenamiento y plataformas de software específicas para la IA.
Los partners de HPE pueden ayudar a tu organización a utilizar la IA y el aprendizaje automático para mejorar la toma de decisiones, la automatización y la innovación. HPE puede ayudarte a acelerar el desarrollo y la implementación de aplicaciones de IA, para mejorar la eficacia y la competitividad industriales.
Supervisado frente a no supervisado
| Aspecto | Aprendizaje supervisado | Aprendizaje no supervisado |
|---|---|---|
| Definición | El aprendizaje supervisado es un tipo de aprendizaje automático en el que el algoritmo aprende de los datos etiquetados, que incluyen tanto las etiquetas de los datos de entrada como las correspondientes de los datos de salida. El objetivo consiste en predecir o clasificar nuevos datos sobre la base de los patrones aprendidos a partir de los ejemplos etiquetados. | El aprendizaje no supervisado es un tipo de aprendizaje automático en el que el algoritmo aprende de los datos no etiquetados. Explora la estructura y los patrones internos de los datos, sin asesoramiento o comentarios explícitos, y tiene como objetivo descubrir información o agrupaciones ocultas. |
| Datos de entrenamiento | Requiere datos etiquetados (parejas de entrada-salida). | No requiere datos etiquetados. |
| Objetivo | Predice o clasifica sobre la base de datos etiquetados. | Encuentra patrones o estructuras ocultos en los datos. |
| Comentarios | Recibe comentarios durante el entrenamiento. | Sin comentarios durante el entrenamiento. |
| Salida | La salida es conocida y predefinida. | La salida no es predefinida ni conocida. |
| Ejemplos de aplicaciones | Detección de spam, reconocimiento de imágenes, análisis de sentimientos. | Agrupación en clústeres, detección de anomalías, reducción de dimensionalidad. |
