Deep Learning: el aprendizaje supervisado

Vamos a detallar qué es el aprendizaje supervisado, la clave es que en este tipo de situaciones se utilizan datos etiquetados, es decir, datos de entrada donde la variable objetivo (salida) es conocida.

La red neuronal recibe un conjunto de datos de entrada con las etiquetas correctas de la variable de salida y el algoritmo aprende de esos datos para comparar la salida calculada con la salida correcta (Fase de entrenamiento).

Se realizan múltiples iteraciones para que el modelo sea más preciso y se predicen futuros casos. 

El proceso sería el siguiente:

1. Dataset entrada

Tenemos un dataset de entrada donde disponemos de la variable objetivo que queremos predecir y una serie de variables de entrada. La variable objetivo es la etiqueta como tal de ese registro:

2. Modelo Clasificación

Con esos datos históricos se realiza un entrenamiento de la red neuronal para que aprenda de ellos ajustando adecuadamente los parámetros de la red neuronal (más detalle en futuras unidades):

3. Predicción

Ahora se realizará la predicción para nuevos casos donde solo tenemos las variables de entrada, pero desconocemos la variable objetivo:

En función de que la variable objetivo sea una "categoría" o bien sea un "valor numérico", nos enfrentaremos a un problema de clasificación o regresión respectivamente.

Proceso aprendizaje supervisado

Para poder aplicar y resolver un caso de uso de aprendizaje supervisado, el proceso a seguir es el siguiente:

En el siguiente vídeo se explica en detalle todo lo visto en el aprendizaje supervisado: