Aprendizaje no supervisado

1. ¿Qué es el aprendizaje no supervisado?

El aprendizaje no supervisado es un enfoque en machine learning (aprendizaje automático) donde un modelo se entrena con conjuntos de datos que no están etiquetados, es decir, no se proporciona información explícita sobre las salidas deseadas. En lugar de buscar predecir etiquetas específicas o valores numéricos, el objetivo principal de los algoritmos con este tipo de aprendizaje es encontrar patrones, estructuras o relaciones intrínsecas en los datos de entrada

2. ¿Para qué sirve el aprendizaje no supervisado?

Los modelos algorítmicos con este tipo de aprendizaje al explorar patrones inherentes en conjuntos de datos no etiquetados, ofrecen una utilidad fundamental en la revelación de estructuras y relaciones ocultas. Su capacidad para identificar agrupamientos naturales en datos mediante algoritmos de clustering facilita la segmentación de información en categorías coherentes, como en análisis de mercado y organización de datos. Además, en la reducción de dimensionalidad, el aprendizaje no supervisado contribuye a simplificar conjuntos de datos complejos, conservando características clave y facilitando la visualización de información. Este enfoque encuentra aplicaciones en la recomendación de contenido, la detección de anomalías en sistemas, y la mejora de procesos industriales al identificar patrones no evidentes. En resumen, potencia el descubrimiento de conocimientos valiosos en datos no etiquetados, proporcionando una herramienta esencial para explorar y entender la estructura subyacente en una variedad de contextos.

Un ejemplo simple de este tipo de modelos puede ser el uso de DBSCAN para detectar datos que son «anómalos» a los grupos que componen un cluster, es decir, simplica más las agrupaciones de datos y deja por fuera los que por su distancia al estar más alejados del grupo dejan de pertenecer al mismo, este tipo de modelo habitualmente se usa cuando se quiere optimizar más los clusters o grupos luego de usar un KMeans.

3. Ejemplos de aprendizaje no supervisado.

• K-Means.
• DBSCAN.
• Clustering jerárquico.
• OPTICS.
• MeanShift.
• Maquina de Boltzman restringida (RBMs).
• Autoencoders.