Las principales diferencias entre el aprendizaje supervisado y el aprendizaje no supervisado

son:

Aprendizaje supervisado:

Utiliza datos etiquetados/clasificados por un experto humano para entrenar el modelo.

Las etiquetas proporcionan una "supervisión" sobre los resultados deseados.

El objetivo es predecir valores de salida (clasificación) o valores numéricos (regresión) a partir

de los datos de entrada.

Algunos ejemplos son regresión logística, Support Vector Machines, Redes Neuronales.

Aprendizaje no supervisado:

Trabaja con datos que no están etiquetados/clasificados.

El algoritmo debe descubrir por sí mismo las características y relaciones inherentes en los
datos.

El objetivo es identificar patrones y estructuras subyacentes en los datos, como grupos o

clústeres.

Algunos ejemplos son Agrupamiento ( clustering), reducción de dimensionalidad, asociación de

reglas.

En resumen, el aprendizaje supervisado utiliza etiquetas para entrenar modelos predictivos,

mientras que el no supervisado descubre patrones sin etiquetas para agrupar y comprender
mejor los datos. El supervisado necesita "supervisión" del experto, el no supervisado trabaja de
forma autónoma.