El aprendizaje supervisado es un método fundamental en inteligencia artificial y aprendizaje automático donde un modelo se entrena con conjuntos de datos etiquetados. Cada entrada está asociada a la salida esperada (la etiqueta), permitiendo que el algoritmo aprenda a predecir o clasificar nuevos datos. Se diferencia del aprendizaje no supervisado, que carece de etiquetas, y del aprendizaje por refuerzo, que usa un sistema de recompensas. El aprendizaje supervisado implica la optimización de funciones de pérdida, validación cruzada y gestión del sobreajuste.
Casos de uso y ejemplos de aplicación
El aprendizaje supervisado se utiliza en clasificación de imágenes (reconocimiento facial, detección de objetos), detección de spam, análisis de sentimiento, reconocimiento de voz, predicción de ventas o riesgos financieros y mantenimiento predictivo. En salud, por ejemplo, permite diagnosticar enfermedades a partir de imágenes médicas; en finanzas, predecir impagos.
Principales herramientas software, librerías, frameworks
Las principales herramientas incluyen scikit-learn, TensorFlow, PyTorch, Keras, XGBoost y LightGBM. Ofrecen algoritmos variados (regresión lineal, bosques aleatorios, redes neuronales, SVM) y utilidades para evaluación y visualización.
Últimos desarrollos, evoluciones y tendencias
Los avances recientes se centran en la automatización de la selección de modelos (AutoML), la mejora de la robustez ante datos ruidosos y la integración de aprendizaje semi-supervisado o activo para aprovechar conjuntos parcialmente etiquetados. Los desafíos actuales incluyen la gestión de sesgos, la explicabilidad de los modelos y la optimización de la generalización.