El aprendizaje no supervisado significa aprender la estructura oculta de los datos en ausencia de ‘etiquetas’ o supervisión. Es decir, dadas muchas muestras de automóviles y vacas (sin decirle cuáles son en realidad), puede aprender estructuras sobre ellos. Dado que la verdad básica (o las etiquetas) no están disponibles; Es difícil evaluar el desempeño de tales métodos. Además, según diferentes criterios, las estructuras ocultas que uno puede aprender pueden ser diferentes. Por ejemplo, si el criterio es el color ‘negro’, entonces todos los autos negros y las vacas negras se pueden agrupar juntos que el resto de los autos y las vacas.
Todo esto parece trivial para los humanos, pero no tanto para los algoritmos. En el momento en que eliminamos las ‘etiquetas’ de los datos, resulta difícil tener sentido. Existen varios enfoques para el aprendizaje no supervisado [1]:
- Agrupamiento
- Clasificación de una clase / detección de anomalías
- Aprendizaje de métodos variables latentes, etc.
Para responder a su pregunta, SÍ, por definición, todos los métodos de agrupación no están supervisados.
- ¿Cómo se puede resolver el coeficiente binomial usando programación dinámica y tabla hash?
- ¿Cuál es la forma más fácil de eliminar elementos duplicados de una matriz de derecha a izquierda?
- ¿Cuáles son las desventajas de las matrices dinámicas sobre las matrices tradicionales en lenguajes como C / C ++?
- Cómo resolver el problema ADDGP en SPOJ
- ¿En qué tipos de gráfico DFS y BFS producirán el mismo árbol (misma fuente) independientemente de la secuencia de visitas de los vecinos?
Otras lecturas
La respuesta de Shehroz Khan a ¿Cuál es la diferencia entre los algoritmos de aprendizaje supervisados y no supervisados?
Notas al pie
[1] Aprendizaje no supervisado – Wikipedia
