Em machine learning, o que distingue a aprendizagem supervisionada da não supervisionada?

Aprendizagem supervisionada usa dados rotulados para aprender a prever classes ou valores; aprendizagem não supervisionada busca padrões ou agrupamentos em dados sem rótulos.

Na aprendizagem supervisionada, o modelo é treinado com pares entrada → rótulo, aprendendo um mapeamento X → Y. Técnicas comuns: regressão, árvores de decisão, redes neurais.

Na aprendizagem não supervisionada, não há rótulos; o objetivo é identificar estruturas intrínsecas como clusters, componentes principais ou anomalias. Técnicas comuns: k‑means, PCA, clustering hierárquico.

exemplo:
• Supervisionada: classificar e‑mails como spam ou não spam usando um conjunto de e‑mails já rotulados; features podem ser frequência de palavras, presença de links, etc., e o modelo (por exemplo, Naive Bayes) aprende a prever o rótulo em novas mensagens.

• Não supervisionada: agrupar clientes de uma loja online por comportamento de compra (frequência, valor médio, categorias compradas) usando k‑means para identificar segmentos de mercado e orientar campanhas, sem rótulos prévios.