Diferencia entre aprendizaje supervisado y no supervisado

Aprendizaje supervisado: el aprendizaje supervisado es el aprendizaje del modelo donde con una variable de entrada (digamos, x) y una variable de salida (digamos, Y) y un algoritmo para mapear la entrada a la salida.
Eso es,Y = f(X)

¿Por qué aprendizaje supervisado?
El objetivo básico es aproximar la función de mapeo (mencionada anteriormente) tan bien que cuando hay un nuevo dato de entrada (x), entonces se puede predecir la variable de salida correspondiente.

Se llama aprendizaje supervisado porque el proceso de aprendizaje (a partir del conjunto de datos de entrenamiento) se puede considerar como un maestro que supervisa todo el proceso de aprendizaje. Por lo tanto, el «algoritmo de aprendizaje» iterativamente hace predicciones sobre los datos de entrenamiento y es corregido por el «profesor», y el aprendizaje se detiene cuando el algoritmo alcanza un nivel aceptable de rendimiento (o la precisión deseada).

Ejemplo de aprendizaje supervisado
Supongamos que hay una canasta que está llena de frutas frescas, la tarea es colocar el mismo tipo de frutas en un lugar.
Además, suponga que las frutas son manzana, plátano, cereza, uva.

Supongamos que uno ya sabe por su trabajo anterior (o experiencia) que la forma de todas y cada una de las frutas presentes en la canasta es fácil para ellos colocar el mismo tipo de frutas en un solo lugar.

Aquí, el trabajo anterior se denomina datos de entrenamiento en la terminología de minería de datos. Entonces, aprende las cosas de los datos de entrenamiento. Esto se debe a que tiene una variable de respuesta que dice y que si alguna fruta tiene tal o cual característica entonces es uva, y de manera similar para todas y cada una de las frutas.

Este tipo de información se descifra a partir de los datos que se utilizan para entrenar el modelo.
Este tipo de aprendizaje se denomina Aprendizaje Supervisado .
Dichos problemas se enumeran en Tareas de clasificación clásicas .
 
Aprendizaje no supervisado: el aprendizaje no supervisado es donde solo están presentes los datos de entrada (por ejemplo, X) y no hay ninguna variable de salida correspondiente.

¿Por qué el aprendizaje no supervisado?
El objetivo principal del aprendizaje no supervisado es modelar la distribución de los datos para aprender más sobre los datos.

Se llama así porque no hay una respuesta correcta y no existe tal maestro (a diferencia del aprendizaje supervisado). Los algoritmos se dejan a su suerte para descubrir y presentar la estructura interesante en los datos.

Ejemplo de aprendizaje no supervisado
Nuevamente, suponga que hay una canasta y está llena de algunas frutas frescas. La tarea es organizar el mismo tipo de frutas en un solo lugar.

Esta vez no hay información sobre esas frutas de antemano, es la primera vez que se ven o descubren las frutas.

Entonces, cómo agrupar frutas similares sin ningún conocimiento previo sobre ellas.
Primero, se selecciona cualquier característica física de una fruta en particular. Supongamos color .

Luego, las frutas se organizan en función del color. Los grupos serán algo como se muestra a continuación:
GRUPO DE COLOR ROJO : manzanas y cerezas.
GRUPO COLOR VERDE : plátanos y uvas.

Así que ahora, tomemos otro carácter físico, digamos tamaño , así que ahora los grupos serán algo como esto.
COLOR ROJO Y GRAN TAMAÑO : manzana.
COLOR ROJO Y TAMAÑO PEQUEÑO : frutos cereza.
COLOR VERDE Y GRAN TAMAÑO : plátanos.
COLOR VERDE Y TAMAÑO PEQUEÑO : uvas.
¡El trabajo está hecho!
Aquí, no hay necesidad de saber o aprender nada de antemano. Eso significa que no hay datos de tren ni variable de respuesta. Este tipo de aprendizaje se conoce como Aprendizaje No Supervisado .

Diferencia entre aprendizaje supervisado y no supervisado:

APRENDIZAJE SUPERVISADO	APRENDIZAJE SIN SUPERVISIÓN
Datos de entrada	Utiliza datos conocidos y etiquetados como entrada	Utiliza datos desconocidos como entrada
Complejidad computacional	Muy complejo	Menos complejidad computacional
Tiempo real	Utiliza análisis fuera de línea	Utiliza análisis de datos en tiempo real
Número de clases	Se conoce el número de clases	No se conoce el número de clases
Precisión de los resultados	Resultados precisos y confiables	Resultados moderados precisos y confiables