Encuentra patrones (desarrolla
modelos predictivos) utilizando
tanto datos de entrada como datos
de salida. Todas las técnicas de
aprendizaje supervisado forman
parte de una clasificación o
regresión
Predice una categoría
CLASIFICACIÓN
Predice un número
REGRESIÓN
Decision Tree
Comprender los
atributos del
producto que hacen
que un producto sea
más probable que se
compre
Proporcionar un
marco de
decisión para la
contratación de
nuevos
empleados
Regresión logística
Clasifique a los clientes
según la probabilidad de
que paguen
Regresión Lineal
Optimice los
precios y
estime
elasticidad
precio
Comprender los
impulsores de ventas de
productos como como
precios de competencia,
distribución, publicidad,
etc.
Gradient-Boosting-Trees
Pronosticar la
demanda del
producto y
niveles de
inventario
Bosques Aleatorios
Predecir el volumen de
llamadas en centros de
llamadas para decisiones
de personal
Aprendizaje No Supervisado
Los datos no
están
etiquetados de
ninguna manera
Clustering
K-means
clustering
Segmentar
clientes en
grupos por
características
diferentes
Hierarchical
Clustering
Agrupe a los
clientes de tarjeta
de fidelidad en
grupos
progresivamente
más segmentados
Reducción Dimensión
Si queremos predecir las ventas
de una tienda minorista para
un artículo en particular. Las
características de entrada
utilizadas para la predicción son
cifras de ventas, cambios
minoristas del artículo,
movimiento de inventario,
detalles de la tienda, venta
minorista de la competencia,
demografía del cliente e
información del cliente como
dirección, código postal, etc.
Encuentra patrones
basados solo en datos
de entrada. Esta
técnica es útil cuando
no estás seguro de
qué buscar