En términos de matemática y lógica, ¿cuál es más desafiante, el aprendizaje automático supervisado o el aprendizaje automático no supervisado?

Ambos.!

No hay una regla de oro para sugerir cuál es más fácil. Menos o más número de algoritmos o matemáticas más fáciles o más difíciles no es una buena métrica para entender el desafío que representan estas dos técnicas. Ambas técnicas se relacionan con dos metodologías diferentes en el espacio de ML y, dependiendo de su problema o datos, ambas pueden ser fáciles y difíciles al mismo tiempo. Si tiene datos separables linealmente, tanto el aprendizaje supervisado como el no supervisado son casi triviales. Sin embargo, en situaciones del mundo real, el tipo de problemas que queremos resolver y el tipo de datos que recopilamos o tenemos es complejo. Por lo tanto, comprender el problema es más desafiante que decidir qué metodología puede ser más desafiante.

Es posible que desee leer más sobre las dos técnicas aquí: la respuesta de Shehroz Khan a ¿Cuál es la diferencia entre los algoritmos de aprendizaje supervisados ​​y no supervisados?

No estoy seguro de si hay un acuerdo general sobre esto, pero me inclinaría hacia sin supervisión porque:

• Tiene menos información, por lo que, a diferencia del aprendizaje supervisado, no se le proporciona información de la etiqueta sobre sus datos.
• Su algoritmo necesita encontrar características predictivas en sus datos que permitan agrupar muestras descubriendo correlaciones estadísticas
• Calcular las métricas para el aprendizaje no supervisado es difícil, ya que no se pueden calcular precisiones y realizar validaciones cruzadas. No sabe cuál sería la etiqueta correcta (en una configuración totalmente sin supervisión)

Y en general: ¡el aprendizaje automático y especialmente sin supervisión no son problemas triviales!

En mi opinión, el aprendizaje automático supervisado es más difícil. en el aprendizaje no supervisado, por un lado, tiene menos algoritmos para aprender: aparte de la agrupación y sus derivados y / o variaciones, no hay mucho más (que yo sepa). Además, no hay una cantidad medible que esté buscando … así que una vez que haya terminado su trabajo, nadie puede decir que tiene que hacerlo mejor …

En el aprendizaje supervisado, hay una tonelada de “espacios de hipótesis” / “modelos” / algoritmos que puede aprender: admite máquinas de vectores, núcleos, redes neuronales, modelos bayesianos, etc. luego cada uno tiene su propio espacio de parámetros y variaciones con las que lidiar. luego, está su medida de rendimiento, por ejemplo, precisión. Por lo general, hay un objetivo que desea alcanzar. ¿Y si no lo haces? Entonces, ¿qué? Entonces, hay más conceptos con los que tienes que lidiar: ¿estás a) subadaptado? entonces quizás deberías probar más parámetros o un espacio de hipótesis con una dimensión VC más alta; o eres b) sobreajuste? tal vez deberías probar un espacio de hipótesis con una dimensión VC más baja o probar un método de regularización diferente …

… y es una jungla allá afuera …

TLDR: en mi opinión, el aprendizaje supervisado es más difícil ya que se está ejecutando después de una cantidad / medida de cuán bueno es su trabajo, por ejemplo, la precisión, por lo que debe saber cómo mejorar lo que está haciendo frente al aprendizaje no supervisado donde una vez que ejecuta su algo, se puede terminar, y nadie puede decirte lo contrario …

Sin supervisión por un tiro largo.

Realmente no hay una “verdad al norte” a seguir, aquí y mucho “arte” se combina con la ciencia.