Respuesta correcta
Explicación
El aprendizaje supervisado utiliza explícitamente datos de entrenamiento etiquetados en los que cada ejemplo de entrada se empareja con la etiqueta de salida correcta. El algoritmo aprende a asociar entradas con salidas minimizando el error entre sus predicciones y las etiquetas proporcionadas, lo que permite realizar tareas como clasificación y regresión.
Para profundizar
El aprendizaje supervisado entrena un modelo en un conjunto de datos donde cada ejemplo de entrada se empareja con una etiqueta conocida, y el algoritmo ajusta sus parámetros para minimizar la diferencia entre las salidas predichas y las reales. Los algoritmos comunes incluyen la regresión lineal para objetivos continuos y la regresión logística o los árboles de decisión para clasificación, guiando la optimización basada en gradientes mediante la función de pérdida. Un comportamiento sutil es que el rendimiento depende en gran medida de la calidad y cobertura de las etiquetas; las etiquetas con ruido o sesgadas hacen que el modelo aprenda mapeos incorrectos, y el desequilibrio de clases puede hacer que la precisión sea engañosa. En la práctica, un escenario como predecir si un cliente se dará de baja utiliza registros históricos donde los resultados de la baja ya se conocen, lo que permite al modelo aprender patrones y luego calificar a nuevos clientes cuyos resultados se desconocen.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.