Aprendizaje Supervisado y No Supervisado
En el aprendizaje supervisado el modelo se entrena con datos etiquetados (cada ejemplo trae su respuesta correcta) para aprender a predecir o clasificar. En el no supervisado no hay etiquetas: el sistema descubre por sí mismo estructuras y agrupaciones en los datos. Son los dos paradigmas fundamentales, a los que se suman variantes como el aprendizaje por refuerzo.
Fuente que lo respalda: Distinción canónica descrita por Tom Mitchell, «Machine Learning», McGraw-Hill (1997), y presente en toda la literatura del campo.
