Dando seguimiento a la trilogía de los artículos de como identificar las diferencias entre lenguaje supervisado y no supervisado, en este segundo artículo veremos que es el aprendizaje no supervisado
El aprendizaje no supervisado utiliza algoritmos de aprendizaje automático para analizar y agrupar conjuntos de datos sin etiquetar. Estos algoritmos descubren patrones ocultos en los datos sin la necesidad de intervención humana (por lo tanto, no están “supervisados”).
Los modelos de aprendizaje no supervisados se utilizan para tres tareas principales: agrupamiento, asociación y reducción de dimensionalidad:
La agrupación en clústeres es una técnica de minería de datos para agrupar datos sin etiquetar en función de sus similitudes o diferencias. Por ejemplo, los algoritmos de agrupación de K-means asignan puntos de datos similares en grupos, donde el valor K representa el tamaño de la agrupación y la granularidad. Esta técnica es útil para la segmentación del mercado, la compresión de imágenes, etc.
La asociación es otro tipo de método de aprendizaje no supervisado que usa diferentes reglas para encontrar relaciones entre variables en un conjunto de datos determinado. Estos métodos se utilizan con frecuencia para el análisis de la cesta de la compra y los motores de recomendación, según las recomendaciones de “Los clientes que compraron este artículo también compraron”.
La reducción de la dimensionalidad es una técnica de aprendizaje que se utiliza cuando el número de características (o dimensiones) en un conjunto de datos determinado es demasiado alto. Reduce la cantidad de entradas de datos a un tamaño manejable al tiempo que preserva la integridad de los datos. A menudo, esta técnica se utiliza en la etapa de preprocesamiento de datos, como cuando los codificadores automáticos eliminan el ruido de los datos visuales para mejorar la calidad de la imagen.
No olvide que el siguiente artículo será el último de esta trilogía de como identificar las diferencias entre lenguaje supervisado y no supervisado
Este articulo puede interesarle AI aprende de Big Data através de interacciones
