Aprendizaje supervisado, no supervisado y por refuerzo
Clasifique los tres paradigmas principales de ML, examine casos de uso concretos para cada uno y relacione problemas del mundo real con el tipo de aprendizaje adecuado.
Aprendizaje supervisado, no supervisado y por refuerzo es una lección gratuita de Machine Learning Academy en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Machine Learning Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Machine Learning Academy incluye 4 lecciones en total.
Three Learning Paradigms Overview
El aprendizaje automático (ML) no es una técnica única, sino una familia, dividida según la retroalimentación de la que aprenden. Los tres grandes: aprendizaje supervisado, no supervisado y por refuerzo.
Supervised Learning: Learning with Labels
El aprendizaje supervisado se entrena con ejemplos que ya tienen la respuesta correcta (una etiqueta). Es el motor de la mayor parte del aprendizaje automático que utilizas, tanto para clasificación como para predicción.
# Supervised learning example: predict house price
from sklearn.linear_model import LinearRegression
import numpy as np
# Features (size in sq ft) and labels (price in $)
X = np.array([[500], [1000], [1500], [2000]])
y = np.array([100000, 200000, 300000, 400000])
model = LinearRegression()
model.fit(X, y) # supervised: model sees both X and y
# Predict on new data
print(model.predict([[1200]])) # ~$240,000Supervised Learning Use Cases
El aprendizaje supervisado está en todas partes: filtros de spam, diagnósticos médicos, calificación crediticia y reconocimiento de imágenes. En cada caso, el modelo aprende de ejemplos etiquetados previos.
Unsupervised Learning: Finding Hidden Structure
El aprendizaje no supervisado funciona sin etiquetas en absoluto. El algoritmo explora los datos y encuentra estructuras ocultas por sí mismo, la mayoría de las veces mediante agrupamiento (clustering).
# Unsupervised learning example: K-Means clustering
from sklearn.cluster import KMeans
import numpy as np
# No labels — only features
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X) # no y — discovers structure on its own
print('Cluster assignments:', kmeans.labels_)
# Automatically finds two groups without any labelsUnsupervised Learning Use Cases
El aprendizaje no supervisado destaca cuando las etiquetas son demasiado costosas: agrupar clientes, detectar anomalías en el tráfico de red o encontrar temas en miles de artículos.
Reinforcement Learning: Learning by Doing
En el aprendizaje por refuerzo, un agente actúa en un entorno y obtiene recompensas o castigos, aprendiendo la mejor estrategia mediante prueba y error, como al entrenar a un perro. 🐕
Reinforcement Learning Use Cases
El aprendizaje por refuerzo impulsa algunos triunfos famosos: AlphaGo dominando el juego de Go a través del autoaprendizaje, robots aprendiendo a caminar y agentes aprendiendo a conducir en simulación.
Self-Supervised Learning: A Fourth Paradigm
Un giro moderno es el aprendizaje autosupervisado: los datos se etiquetan a sí mismos. Los modelos de lenguaje como BERT aprenden prediciendo palabras enmascaradas en una oración.
Matching Problems to Paradigms
Para elegir un paradigma, pregúntese: ¿tiene etiquetas? ¿El resultado es una categoría o un número? ¿El aprendizaje se basa en recompensas? Una opción segura por defecto es el aprendizaje supervisado.
Semi-Supervised Learning: Best of Both Worlds
El aprendizaje semisupervisado combina una pequeña cantidad de datos etiquetados con una gran cantidad de datos sin etiquetar; es perfecto cuando el etiquetado es costoso pero los datos sin procesar son abundantes.
Scikit-learn API for All Paradigms
scikit-learn destaca por una API consistente: crea un estimador, llama a fit() y luego a predict() o transform(). Intercambiar algoritmos apenas requiere código.
# Consistent API across paradigms
from sklearn.linear_model import LogisticRegression # supervised
from sklearn.cluster import KMeans # unsupervised
from sklearn.decomposition import PCA # unsupervised
import numpy as np
X = np.random.randn(100, 5)
y = np.random.randint(0, 2, 100)
# Supervised
clf = LogisticRegression()
clf.fit(X, y) # needs labels
# Unsupervised
km = KMeans(n_clusters=3)
km.fit(X) # no labels needed
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)Quick Check
Pon a prueba tu comprensión de los conceptos de Machine Learning con Python de esta lección.
Lesson Recap
¡Buen trabajo! El aprendizaje supervisado aprende a partir de etiquetas, el no supervisado encuentra estructuras ocultas y el de refuerzo aprende mediante recompensas. A continuación: el flujo de trabajo completo de ML.
Preguntas frecuentes
¿La lección «Aprendizaje supervisado, no supervisado y por refuerzo» es gratis?
Sí — el texto completo de «Aprendizaje supervisado, no supervisado y por refuerzo» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Machine Learning Academy, actualiza a CoddyKit PRO. El curso de Machine Learning Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Aprendizaje supervisado, no supervisado y por refuerzo»?
Clasifique los tres paradigmas principales de ML, examine casos de uso concretos para cada uno y relacione problemas del mundo real con el tipo de aprendizaje adecuado. Practicas Machine Learning Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Machine Learning Academy?
No se requiere experiencia previa. Machine Learning Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «Aprendizaje supervisado, no supervisado y por refuerzo»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Machine Learning Academy?
Sí. Cada lección de Machine Learning Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Programación tradicional frente a aprendizaje automático
- Aprendizaje supervisado, no supervisado y por refuerzo
- El flujo de trabajo de ML: de los datos a la predicción
- ML en el mundo real: casos de uso y limitaciones