A aprendizagem supervisionada e a não supervisionada são dois paradigmas principais em machine learning, e a diferença entre elas realmente se dá na forma como as variáveis são tratadas. 1. Aprendizagem Supervisionada: Neste tipo, o modelo é treinado com um conjunto de dados que contém entradas (variáveis independentes) e saídas conhecidas (variáveis dependentes). O objetivo é aprender a mapear as entradas para as saídas, permitindo que o modelo faça previsões em novos dados. Exemplos incluem classificação e regressão. 2. Aprendizagem Não Supervisionada: Aqui, o modelo é treinado com dados que não têm rótulos ou saídas conhecidas. O foco é identificar padrões ou estruturas nos dados, como agrupamentos ou associações. Exemplos incluem clustering e análise de componentes principais. Em resumo, a principal diferença está na presença ou ausência de rótulos nos dados utilizados para o treinamento.