Ejercicio 10: Tipos de aprendizaje
Para los siguientes ejemplos determina si es aprendizaje supervisado o no supervisado
- Clasificación de correos electrónicos (spam/no spam):
- Descripción: Utiliza un conjunto de correos electrónicos etiquetados para entrenar un modelo que pueda clasificar nuevos correos como spam o no spam.
- Generación de reglas de asociación:
- Descripción: Se utiliza para descubrir relaciones interesantes entre variables en grandes bases de datos, como en el análisis de cesta de la compra (por ejemplo, “si un cliente compra pan, también tiende a comprar mantequilla”).
- Detección de anomalías:
- Descripción: Un modelo identifica patrones inusuales en los datos, como transacciones atípicas, sin tener ejemplos etiquetados de lo que se considera “anómalo”.
- Predicción de precios de casas:
- Descripción: Un modelo es entrenado con datos históricos de precios de casas y características (como tamaño, ubicación, etc.) para predecir el precio de nuevas propiedades.
- Agrupación de clientes:
- Descripción: Se utiliza para segmentar clientes en grupos basados en características similares, como comportamiento de compra, sin etiquetas predefinidas.
- Detección de fraudes en tarjetas de crédito:
- Descripción: Se entrena un modelo con transacciones históricas (etiquetadas como fraude o no fraude) para identificar transacciones sospechosas en tiempo real.
- Diagnóstico médico:
- Descripción: Se utilizan registros médicos etiquetados para entrenar un modelo que pueda predecir la enfermedad de un paciente basándose en síntomas y otros datos.
- Reconocimiento de imágenes:
- Descripción: Un modelo se entrena con un conjunto de imágenes etiquetadas (por ejemplo, “gato” o “perro”) para clasificar nuevas imágenes en las categorías correspondientes.