Machine Learning - Aprendizado supervisionado x Não supervisionado.

Aprendizado Supervisionado

No aprendizado supervisionado, um modelo de machine learning é treinado com um conjunto de dados rotulados. Cada exemplo de treinamento consiste em entradas (recursos) e suas saídas correspondentes (rótulos ou respostas conhecidas). O objetivo é que o modelo aprenda a mapear as entradas para as saídas, de modo que ele possa fazer previsões precisas em novos dados.

Exemplos incluem classificação (prever categorias) e regressão (prever valores numéricos).

Aprendizado Não Supervisionado

No aprendizado não supervisionado, o modelo é treinado com um conjunto de dados não rotulados, ou seja, não há saídas conhecidas. O objetivo é encontrar estruturas, padrões ou agrupamentos nos dados por conta própria. Exemplos incluem clustering (agrupamento de dados semelhantes), redução de dimensionalidade (representar dados de forma mais compacta) e detecção de anomalias (identificar pontos incomuns nos dados).

Em resumo, o aprendizado supervisionado envolve treinar um modelo com dados rotulados para fazer previsões, enquanto o aprendizado não supervisionado envolve descobrir padrões ou estruturas em dados não rotulados sem orientação externa. Ambos têm aplicações importantes em machine learning.

#santanderbootcamp2023 #cienciadedadoscompython