Existen diferentes paradigmas de aprendizaje en el aprendizaje automático. La principal diferencia entre ellos radica en si el tipo de tarea que se requiere. El aprendizaje supervisado es la tarea de aprendizaje automático de aprender una función que mapea un entrada a una salida basada en pares de entrada-salida de ejemplo. El aprendizaje no supervisado es la tarea de aprendizaje automático de aprender patrones desconocidos de un conjunto de datos sin pares de entrada-salida preexistentes. El aprendizaje por refuerzo es la técnica de aprendizaje automático de aprendizaje de entrada y salida patrones en un entorno interactivo por ensayo y error utilizando la retroalimentación del modelar los propios éxitos y errores.

Supervised Machine Learning

Supongamos que tenemos un conjunto de datos donde cada muestra contiene la inversión en televisión, radio y publicidad en periódicos en una región, junto con ventas en esa región

Queremos comenzar a vender en una nueva región y debemos decidir cómo asignar recursos publicitarios. Construimos un modelo estadístico con los datos que tenemos para predecir las ventas en base a Gastos de publicidad en televisión, radio y periódicos

Ventas es la variable dependiente, denotada Y Los gastos de televisión, radio, periódicos son las variables independientes (o características), X1, X2, X3 respectivamente. Escribimos X = (X1, X2, X3) Se supone que Y y X están relacionados de la siguiente manera: Y = f (X) donde f es una ley que relaciona las variables en X con la variable dependiente Y

Nuestro conjunto de datos consta de muchos pares de datos de la forma {(x1, y1),. . . , (xN, yN)}, donde xi = (xi1, xi2, xi3) para todo i, y y = f (x) para todo i La nota f existe más allá de los datos que se nos dan: es una ley que relaciona la televisión, la radio y inversión publicitaria en periódicos con ventas

Supervised learning task

Find a function ˆf that approximates f as well as possible, based on the examples {(x1, y1), . . . ,(xN, yN)} that we are given. Then ˆf can be used to predict sales on any given input ˆf is what we call the machine learning model The process by which ˆf is build is called training or fitting the model to the data {(x1, y1), . . . ,(xN, yN)}

Unsupervised Machine Learning

Imagine ahora que nuestro objetivo es realizar la segmentación del mercado mediante la identificación de subgrupos de regiones que podrían ser más receptivas a una forma particular de publicidad La tarea de realizar la segmentación del mercado equivale a agrupar regiones similares en el conjunto de datos Construimos un modelo estadístico sobre los datos que tenemos para definir tales similitudes por ejemplo entre gastos de periódico y radio

En este caso, los gastos de radio y periódicos son nuevamente las variables independientes (o características), X1 y X2 respectivamente. Como antes, escribimos X = (X1, X2), o en general caso X = (X1,…, Xp) No hay variable dependiente

Los modelos de aprendizaje no supervisados están pensados para el entorno en el que solo tenemos un conjunto de características medidas en N observaciones Aquí, no estamos interesados en la predicción, porque no tenemos un dependiente variable Y Más bien, el objetivo es descubrir cosas interesantes sobre las medidas en X para relacionar cada ejemplo xi entre ellos