También conocido como aprendizaje automático, es una disciplina que estudia y desarrolla algoritmos para aprender de la información o hacer predicciones sobre la información.

Ejemplos de posibles aplicaciones:

• Decidir si un e-mail entrante es spam o no.
• Analizar transacciones bancarias para identificar intentos de fraude.

A partir de un conjunto de datos ya etiquetados, el algoritmos predice la etiqueta que le corresponderá a la nueva información que no es conocida previamente.

Por ejemplo, en la detección de spam, se podría entrenar un algoritmo con mails etiquetados como spam o no spam y que sea capaz de identificar si los nuevos e-mails corresponderá a spam o no spam.

A partir de un conjunto de datos sin clasificar/etiquetar, el algoritmo encuentra la estructura escondida en los datos.

• Sample (muestra): representación del objeto a tratar (email, transacción, conductores…)
• Feature: características de la muestra (edad, sexo del conductor…)
• Label / target: resultado deseado (ground truth) asociado con la muestra de entrada (spam o no spam, sobrevivió o no sobrevivió)
• Training data: conjunto de pares (muestra, etiqueta) utilizados para entrenar el modelo.
• Test data: conjunto de muestras usado para realizar predicciones.

Matriz de confusión.

Métricas:

• Acierto: (#TP + #TN) / total
• Precisión: #TP / (#TP + #FP)
• Recall: #TP / (#TP + #FN)

La precisión nos indica cuánto de lo que hemos predicho es correcto y recall cuánto de lo que es correcto, lo ha predicho el algoritmo.

En Python el módulo scikit-learn es muy usado para trabajar con aprendizaje supervisado. Ejemplo: https://github.com/bonzanini/VideoCourse-DataAnalysisPython/blob/master/notebooks/Video%204.3%20-%20Supervised%20Learning%20with%20scikit-learn.ipynb