Aprendizaje supervisado

Cómo funciona el aprendizaje supervisado

El proceso comienza con un conjunto de datos cuidadosamente preparado en el que cada punto de datos consta de características de entrada y una etiqueta de salida correcta correspondiente. Esto suele implicar un esfuerzo significativo en la recopilación y anotación de datos. Por ejemplo, en una tarea de clasificación de imágenes, las entradas serían imágenes (quizás preprocesadas utilizando técnicas de bibliotecas como OpenCV), y las etiquetas serían las categorías a las que pertenecen (por ejemplo, "gato", "perro"). El algoritmo realiza iterativamente predicciones sobre los datos de entrenamiento y ajusta sus parámetros internos (o pesos del modelo) utilizando un algoritmo de optimización como el Descenso Gradiente Estocástico (SGD) o Adam para minimizar la diferencia entre sus predicciones y las etiquetas reales. Esta diferencia se mide mediante una función de pérdida. Este entrenamiento continúa, a menudo a lo largo de varias épocas, hasta que el modelo alcanza un nivel satisfactorio de precisión u otras métricas de rendimiento relevantes en datos de validación independientes, lo que garantiza que se generaliza bien a los nuevos datos y evita el sobreajuste.

Relevancia y aplicaciones

El aprendizaje supervisado es increíblemente versátil y permite una gran variedad de aplicaciones en las que los datos históricos pueden predecir acontecimientos futuros o clasificar información nueva. Su capacidad para aprender directamente de ejemplos etiquetados lo hace adecuado para tareas que requieren una gran precisión. Muchas tareas de visión por ordenador (VC ) dependen en gran medida del aprendizaje supervisado, incluidas las realizadas por modelos de última generación como Ultralytics YOLO.

He aquí dos ejemplos concretos:

• Análisis de imágenes médicas: Los modelos de aprendizaje supervisado pueden entrenarse en exploraciones médicas (como resonancias magnéticas o tomografías computarizadas) etiquetadas por radiólogos para detectar tumores en imágenes médicas. Esto ayuda a los profesionales sanitarios en el diagnóstico, formando parte esencial de muchas soluciones de IA en la sanidad. Consulta investigaciones relacionadas de fuentes como Radiología: Inteligencia Artificial.
• Análisis de Sentimiento: Los algoritmos aprenden de los datos de texto etiquetados con categorías de sentimiento (por ejemplo, positivo, negativo, neutro) para determinar automáticamente el sentimiento expresado en un texto nuevo, como las opiniones de los clientes o las publicaciones en las redes sociales. Esto es valioso para la investigación de mercado y la supervisión de marcas. Más información sobre el análisis de sentimientos.

Otras aplicaciones comunes son la detección de objetos en imágenes y vídeos (utilizada en vehículos autónomos y sistemas de seguridad), el filtrado de correo electrónico basura, la predicción del precio de la vivienda (una tarea de regresión ) y el reconocimiento facial. También se aplica en la IA para una gestión más inteligente del inventario minorista y la IA en soluciones agrícolas.

Conceptos clave

Varios conceptos son fundamentales para comprender y aplicar eficazmente el aprendizaje supervisado:

• Datos etiquetados: La base del aprendizaje supervisado, que consiste en datos de entrada emparejados con etiquetas de salida correctas. La calidad y la cantidad de los datos etiquetados influyen mucho en el rendimiento del modelo. A menudo se utilizan herramientas y plataformas de etiquetado de datos.
• Ingeniería de rasgos: El proceso de seleccionar, transformar o crear características de entrada para mejorar el rendimiento del modelo. Aunque es menos crítico en el aprendizaje profundo debido a la extracción automática de características, sigue siendo importante en el ML tradicional. Consulta el glosario de ingeniería de características.
• Clasificación vs. Regresión: Dos tipos principales de tareas de aprendizaje supervisado. La clasificación predice categorías discretas (por ejemplo, spam/no spam, YOLO para la clasificación), mientras que la regresión predice valores continuos (por ejemplo, precio, temperatura).
• Algoritmos comunes: Muchos algoritmos entran dentro del aprendizaje supervisado, como la regresión lineal, la regresión logística, las máquinas de vectores de apoyo (SVM), los árboles de decisión, los bosques aleatorios y varios tipos de redes neuronales (NN), especialmente las redes neuronales convolucionales (CNN) para tareas de visión.
• Marcos y herramientas: Bibliotecas como PyTorch y TensorFlow proporcionan herramientas para construir y entrenar modelos supervisados. Plataformas como Ultralytics HUB ofrecen entornos integrados para todo el ciclo de vida del ML, desde la gestión de conjuntos de datos hasta el despliegue de modelos.

Comparación con otros paradigmas de aprendizaje

El aprendizaje supervisado es distinto de otros paradigmas primarios de aprendizaje automático:

• Aprendizaje no supervisado: Este enfoque utiliza datos no etiquetados, en los que el algoritmo intenta encontrar patrones o estructuras por sí mismo, como agrupar puntos de datos similares(clustering) o reducir las dimensiones de los datos. No aprende una correspondencia directa entre la entrada y la salida a partir de respuestas conocidas. Lee una Visión general del aprendizaje no supervisado.
• Aprendizaje por Refuerzo: En este paradigma, un agente aprende a tomar secuencias de decisiones interactuando con un entorno y recibiendo recompensas o penalizaciones en función de sus acciones. Aprende comportamientos óptimos mediante ensayo y error, en lugar de a partir de ejemplos etiquetados. Explora una Visión General del Aprendizaje por Refuerzo.

En resumen, el aprendizaje supervisado es una técnica potente y ampliamente utilizada que aprovecha los datos etiquetados para entrenar modelos para tareas predictivas. Constituye la columna vertebral de muchas aplicaciones de IA de éxito, incluidas las desarrolladas y respaldadas por Ultralytics, y es una habilidad crucial para cualquiera que trabaje en ciencia de datos o IA.