Los datos que se usan en el aprendizaje supervisado están etiquetados, lo que significa que contienen ejemplos de entradas (llamadas atributos) y salidas correctas (etiquetas). Los algoritmos analizan un gran conjunto de datos de estos pares de entrenamiento para inferir cuál sería un valor de resultado deseado cuando se les pide que hagan una predicción sobre datos nuevos.

Supongamos que quieres enseñarle a un modelo a identificar imágenes de árboles. Proporcionas un conjunto de datos etiquetados que contiene muchos ejemplos diferentes de tipos de árboles y los nombres de cada especie. Dejas que el algoritmo intente definir qué conjunto de características pertenece a cada árbol en función de los resultados etiquetados. Luego, puedes probar el modelo mostrándole una imagen de árbol y pídele que adivine de qué especie es. Si el modelo proporciona una respuesta incorrecta, puedes continuar entrenándolo y ajustando sus parámetros con más ejemplos para mejorar su exactitud y minimizar los errores. 

Una vez que el modelo se haya entrenado y probado, podrá usarlo para hacer predicciones sobre datos desconocidos en función del conocimiento previo que aprendió.

En el aprendizaje automático, el aprendizaje supervisado se divide generalmente en dos categorías: clasificación y regresión. 

Los algoritmos de clasificación se usan para agrupar datos mediante la predicción de una etiqueta categórica o una variable de salida basada en los datos de entrada. La clasificación se usa cuando las variables de salida son categóricas, lo que significa que hay dos o más clases.

Uno de los ejemplos más comunes de algoritmos de clasificación en uso es el filtro de spam en la bandeja de entrada de tu correo electrónico. Aquí, se entrena un modelo de aprendizaje supervisado para predecir si un correo electrónico es spam o no con un conjunto de datos que contiene ejemplos etiquetados de correos electrónicos legítimos y spam. El algoritmo extrae información sobre cada correo electrónico, incluidos el remitente, el asunto, el texto del cuerpo y mucho más. Luego, usa estas funciones y las etiquetas de salida correspondientes para aprender patrones y asignarles una puntuación que indique si un correo electrónico es real o spam.

Los algoritmos de regresión se usan para predecir un valor real o continuo, y el algoritmo detecta una relación entre dos o más variables. 

Un ejemplo común de una tarea de regresión podría ser predecir un salario en función de la experiencia laboral. Por ejemplo, a un algoritmo de aprendizaje supervisado se le proporcionarían entradas relacionadas con la experiencia laboral (p.ej., duración, industria o campo, ubicación, etc.) y el importe salarial asignado correspondiente. Después de entrenar el modelo, se puede usar para predecir el salario promedio según la experiencia laboral.

Los modelos de aprendizaje supervisado se pueden usar para varios casos de uso empresariales que abordan una amplia gama de problemas. Estos son algunos ejemplos comunes de aprendizaje supervisado: 

• Evaluación de riesgos: Los modelos de aprendizaje automático supervisado pueden ayudar a los bancos y otras empresas de servicios financieros a determinar si es probable que los clientes suspendan los préstamos, lo que ayuda a minimizar el riesgo en sus carteras. 
• Clasificación de imágenes: Por lo general, los algoritmos de aprendizaje automático supervisado se entrenan para clasificar objetos en imágenes y videos. Por ejemplo, se podría usar un algoritmo para reconocer a una persona en una imagen y etiquetarla automáticamente en una plataforma de redes sociales. 
• Detección de fraudes: El aprendizaje supervisado es la base de muchos sistemas de detección de fraudes, lo que permite que las empresas reconozcan actividades fraudulentas. Estos modelos se entrenan con conjuntos de datos que contienen actividades fraudulentas y no fraudulentas, por lo que pueden usarse para marcar actividades sospechosas en tiempo real.

Sistemas de recomendación: Las plataformas en línea y los servicios de transmisión usan algoritmos de aprendizaje supervisado para potenciar recomendaciones basadas en el comportamiento previo de los clientes o el historial de compras. Los modelos extraen información importante sobre el comportamiento de un usuario y sugieren productos y contenido similares. 

Cuando se trata de entender la diferencia entre aprendizaje supervisado y aprendizaje no supervisado, la diferencia principal es el tipo de datos de entrada que se usan para entrenar el modelo. El aprendizaje supervisado usa conjuntos de datos de entrenamiento etiquetados para tratar de enseñarle al modelo un objetivo específico predefinido.  

En comparación, el aprendizaje no supervisado usa datos sin etiquetar y funciona de forma autónoma para intentar aprender la estructura de los datos sin recibir instrucciones explícitas.