APRENDIZAJE SUPERVISADO Y NO SUPERVISADO

El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se realiza

mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que
determina la respuesta que debera generar la red a partir de una entrada determinada.
El supervisor controla la salida de la red y en caso de que sta no coincida con la deseada,
se proceder a modificar los pesos de las conexiones, con el fin de conseguir que la salida
obtenida se aproxime a la deseada.

Aprendizaje no supervisado es un mtodo de Aprendizaje Automtico donde un modelo es

ajustado a las observaciones. Se distingue del Aprendizaje supervisado por el hecho de que
no hay un conocimiento a priori. En el aprendizaje no supervisado, un conjunto de datos de
objetos de entrada es tratado. As, el aprendizaje no supervisado tpicamente trata los objetos
de entrada como un conjunto de variables aleatorias, siendo construido un modelo de
densidad para el conjunto de datos.
El aprendizaje no supervisado puede ser usado en conjunto con la Inferencia bayesiana para
producir probabilidades condicionales (es decir, aprendizaje supervisado) para cualquiera de
las variables aleatorias dadas. El Santo Grial del aprendizaje no supervisado es la creacin de
un cdigo factorial de los datos, esto es, un cdigo con componentes estadsticamente
independientes. El aprendizaje supervisado normalmente funciona mucho mejor cuando los
datos iniciales son primero traducidos en un cdigo factorial.
El

aprendizaje

no

supervisado

tambin

es

til

para

la compresin

de

datos:

fundamentalmente, todos los algoritmos de compresin dependen tanto explcita como

implcitamente de una distribucin de probabilidad sobre un conjunto de entrada.

Datos nominales
Los datos nominales se basan en el etiquetado o codificacin deinformacin en
categoras. Generalmente, creas nombres para lainformacin con base en las
caractersticas. Por ejemplo, puedes clasificar los colores de cabello en moreno, rubio,
rojo o negro. Cuando ests introduciendo los datos, asignas un cdigo, o nmero, a
cada categora: por ejemplo, moreno = 1. Este nmero simplemente es un signo clave
que quiere decir "moreno".

Datos ordinales

Los datos ordinales describen el orden de los mismos con base en una escala. En la
escala, no hay manera de distinguir la diferencia relativa entre los grupos. Por ejemplo,
podemos decir que un auto lleg primero, segundo o de ltimo, pero no sabemos el
tiempo de diferencia entre cada vehculo si no se nos provee msinformacin. Las
escalas a menudo se utilizan para las actitudes; por ejemplo, satisfecho o insatisfecho.
Otro tipo de datos son los de intervalos, en los cuales conocemos la diferencia entre los

grupos. Un ejemplo son los ingresos: sabemos la diferencia exacta entre ganar
US$20.000 y US$30.000 por ao.