# Aprendizaje supervisado y no supervisado > Dos formas de aprender de una máquina: con ejemplos resueltos o buscando patrones sola. - Nivel: Intermedio - Temas: IA - URL: https://tidbit.legios.com.ar/es/supervised-and-unsupervised-learning/ - En inglés: [Supervised and unsupervised learning](https://tidbit.legios.com.ar/supervised-and-unsupervised-learning/) En el **aprendizaje supervisado**, cada ejemplo de entrenamiento viene con la respuesta correcta pegada, que se llama etiqueta. Miles de mails marcados como "spam" o "no spam", fotos de lunares marcadas como "benigno" o "maligno", departamentos vendidos con su precio. El modelo estudia los pares y aprende una regla que va de la entrada a la respuesta, así puede predecir la etiqueta de algo nuevo. Ordenar en categorías se llama clasificación; predecir un número, como un precio, se llama regresión. En el **aprendizaje no supervisado** no hay respuestas. El modelo recibe los datos en crudo y busca estructura: clientes que se comportan parecido (clustering), operaciones que no se parecen a ninguna otra (detección de anomalías, útil contra el fraude), o una forma más simple de describir los datos. Nadie le dice qué significan los grupos; una persona tiene que mirarlos y decidir si sirven. La diferencia importa porque las etiquetas son caras: alguien las tiene que escribir, muchas veces a mano. Por eso se volvió central un tercer enfoque, el **aprendizaje autosupervisado**, donde los datos se etiquetan solos. Los modelos de lenguaje grandes aprenden así: tapan la palabra siguiente de un texto real y tratan de adivinarla, lo que convierte a internet entera en material de práctica sin que nadie etiquete nada. ## Una analogía El supervisado es estudiar con las respuestas al final del libro: corregís cada ejercicio. El no supervisado es que te den una caja de botones mezclados y los separes en pilas que parecen ir juntas, sin que nadie te diga cuáles son las pilas correctas. ## Para quedarse - Supervisado: los ejemplos traen etiqueta y el modelo aprende a predecirla. - No supervisado: sin etiquetas; el modelo encuentra grupos y casos raros. - Etiquetar datos es lento y caro, y muchas veces eso decide qué enfoque se usa. - Los LLMs se entrenan sobre todo con aprendizaje autosupervisado sobre texto común. ## Para seguir leyendo - [Aprendizaje supervisado vs. no supervisado (IBM)](https://www.ibm.com/es-es/think/topics/supervised-vs-unsupervised-learning) - [Aprendizaje supervisado en Wikipedia](https://es.wikipedia.org/wiki/Aprendizaje_supervisado) - [Aprendizaje no supervisado en Wikipedia](https://es.wikipedia.org/wiki/Aprendizaje_no_supervisado) ## Términos relacionados - [Entrenamiento e inferencia](https://tidbit.legios.com.ar/es/training-and-inference/): Entrenar construye el modelo una vez; inferir es usarlo, millones de veces por día. - [Spam](https://tidbit.legios.com.ar/es/spam/): Mensajes no deseados enviados en masa: publicidad, estafas y basura que nunca pediste. - [LLM](https://tidbit.legios.com.ar/es/llm/): Una red neuronal entrenada con muchísimo texto para predecir la próxima palabra. - [Internet](https://tidbit.legios.com.ar/es/internet/): Una red mundial de redes que conecta cualquier aparato con cualquier otro.