En el ámbito del aprendizaje automático, la creación de modelos puede clasificarse a grandes rasgos en aprendizaje supervisado y aprendizaje no supervisado.

**El aprendizaje supervisado es un método en el que un modelo se entrena con datos etiquetados, es decir, el algoritmo recibe pares de entrada-salida y aprende a asignar las entradas a las salidas deseadas. Los ejemplos incluyen la regresión, en la que predecimos un valor continuo, y la clasificación, en la que asignamos los datos de entrada a una de las categorías predefinidas.

Por otro lado, el aprendizaje no supervisado funciona sin datos etiquetados, con el objetivo de identificar patrones o estructuras en los datos. El algoritmo no recibe la respuesta "correcta ", sino que intenta extraer información por sí mismo. Técnicas como el agrupamiento, en el que los datos se agrupan en función de similitudes inherentes, y la reducción de la dimensionalidad, en la que las características redundantes o menos informativas se minimizan o eliminan, son ejemplos clásicos.

Tanto los métodos de aprendizaje supervisados como los no supervisados son fundamentales en la ciencia de datos y ofrecen diversas herramientas para abordar una amplia gama de problemas y retos.