El aprendizaje supervisado describe un escenario en el que la experiencia, se convierte en un factor de capacitación, la cual contiene información importante (las etiquetas de enferma/sana para la detección de enfermedades en las plantas, que falta en los "ejemplos de prueba" invisibles a los que se aplicará la experticia aprendida. En este escenario, la experticia adquirida tiene como objetivo predecir esa información faltante para los datos de prueba. En tal sentido, se puede pensar en el entorno como un maestro que supervisa al alumno brindándole información adicional que vienen a ser las etiquetas. En este libro abordaremos modelos de aprendizaje automático supervisado, mediante el cual comprenderá los fundamentos teóricos, algunas descripciones de campos de aplicación y posteriormente implementarán cada uno de ellos en Jupyter lab con pandas y librerías de scikit-learn para Python. Inicialmente se empezará Regresión logística (clasificación binaria), Clasificación multiclase mediante regresión logística, Árboles de decisión, Suport Vector Machine - SVM (Máquinas de soporte vectorial), Bosque Aleatorio (Random Forest), Validación cruzada K-Fold y finalmente Naive Bayes.