¿Qué significa "Supervisión"?
Tabla de contenidos
La supervisión en el aprendizaje automático se refiere al proceso donde los modelos aprenden de ejemplos que incluyen tanto los datos de entrada como la salida correcta. Esto ayuda al modelo a entender qué es lo que debe buscar al hacer predicciones.
Tipos de Supervisión
Supervisión Fuerte
La supervisión fuerte implica proporcionar muchos datos etiquetados donde cada ejemplo muestra claramente el resultado esperado. Este método puede llevar a una alta precisión, pero recopilar y etiquetar estos datos puede ser lento y caro.
Supervisión Débil
La supervisión débil utiliza menos datos etiquetados o datos que no están perfectamente etiquetados. Este método es útil porque requiere menos esfuerzo para reunir datos, lo que facilita la escalabilidad. A pesar de tener menos orientación clara, los modelos aún pueden aprender de manera efectiva con estos datos.
Auto-Supervisión
La auto-supervisión permite a los modelos mejorar sin necesidad de muchos datos etiquetados. Aquí, los modelos pueden generar señales útiles a partir de sus propios errores, guiándose a sí mismos para volverse mejores. Este enfoque puede mejorar la capacidad de razonamiento y rendimiento de un modelo.
Aplicaciones
La supervisión es importante en muchas áreas como el procesamiento de lenguaje, extracción de eventos y traducción automática. Al entrenar modelos con supervisión, podemos ayudarles a tomar mejores decisiones y hacer predicciones en escenarios del mundo real.