¿Cuáles son los principales tipos de aprendizaje automático?

Question

Accepted Answer

El aprendizaje automático tiene tres tipos principales — **aprendizaje supervisado** (aprender a partir de ejemplos etiquetados), **aprendizaje no supervisado** (encontrar patrones en datos sin etiquetar) y **aprendizaje por refuerzo** (aprender a través de ensayo y recompensa). Comprenderlos aclara cómo el ML aborda diferentes problemas.

## Los tres tipos principales

```text
SUPERVISED LEARNING → learn from LABELED data (input → known correct output):
  → trained on examples with answers → learns to predict outputs for new inputs
  → for: classification (categorize), regression (predict numbers)
  → e.g. spam detection (labeled spam/not-spam), price prediction
UNSUPERVISED LEARNING → find patterns in UNLABELED data (no given answers):
  → discovers structure/groupings on its own
  → for: clustering (group similar items), dimensionality reduction, anomaly detection
  → e.g. customer segmentation, finding patterns
REINFORCEMENT LEARNING → learn through TRIAL and ERROR with REWARDS:
  → an agent takes actions, gets rewards/penalties, learns to maximize reward over time
  → for: game playing, robotics, control, decision-making
```

## Elegir el tipo

```text
→ have LABELED data + want to predict outputs → SUPERVISED (most common in practice)
→ have unlabeled data + want to find structure → UNSUPERVISED
→ an agent learning from interaction/rewards → REINFORCEMENT
→ (also: semi-supervised, self-supervised — hybrids; LLMs use self-supervised learning)
```

## Por qué es importante

Comprender los principales tipos de aprendizaje automático es fundamental porque representan **las formas fundamentales en que el ML aborda los problemas**, por lo que comprenderlos es alfabetización básica en ML.

Los tres tipos principales se adaptan a diferentes problemas y datos.

Comprender el **aprendizaje supervisado** (aprender a partir de datos etiquetados donde las entradas tienen salidas correctas conocidas, para predecir salidas para nuevas entradas, utilizado para clasificación y regresión — el tipo más común en la práctica, p. ej. detección de spam y predicción de precios) es el tipo más importante de comprender, ya que subyace a la mayoría de las aplicaciones prácticas de ML.

Comprender el **aprendizaje no supervisado** (encontrar patrones en datos sin etiquetar sin respuestas dadas, descubrir estructura y agrupaciones, utilizado para clustering, reducción de dimensionalidad y detección de anomalías, p. ej. segmentación de clientes) aclara cómo el ML encuentra patrones sin etiquetas.

Comprender el **aprendizaje por refuerzo** (aprender a través del ensayo y error con recompensas, donde un agente realiza acciones y aprende a maximizar la recompensa, utilizado para juegos, robótica y control) aclara el enfoque de aprendizaje basado en la interacción.

Comprender **cómo elegir** — aprendizaje supervisado cuando tienes datos etiquetados y quieres predecir, no supervisado para encontrar estructura en datos sin etiquetar, refuerzo para agentes que aprenden de la interacción — y que hay híbridos (semi-supervisado, auto-supervisado, con LLMs utilizando aprendizaje auto-supervisado) refleja comprensión práctica de los enfoques de ML.

Estos tipos son las categorías fundamentales de cómo el ML aprende, y comprenderlos es esencial para discutir y aplicar ML.

Dado que los principales tipos de aprendizaje automático (supervisado, no supervisado, refuerzo) representan las formas fundamentales en que el ML aborda los problemas y comprenderlos y cuándo se aplica cada uno es alfabetización básica en ML, comprender los principales tipos de aprendizaje automático es conocimiento esencial, fundamental — las categorías fundamentales de ML (aprender de etiquetas, encontrar patrones, aprender de recompensas), alfabetización básica en ML para entender cómo el ML aborda diferentes problemas, y fundamental para trabajar o discutir sobre aprendizaje automático.