¿Qué es el aprendizaje no supervisado?

Digamos que tenía mucha información con la que lidiar. Pero no tienes mucha referencia para darle sentido. Ahí es donde entra en juego el aprendizaje automático no supervisado .

El aprendizaje automático no supervisado es uno de los dos tipos principales de aprendizaje automático. Se refiere a cuándo los sistemas pueden dar sentido a los datos solo usando lo que se proporcionó como entrada. Identificaría patrones, anomalías y similitudes en los datos. Hace que los datos sean más legibles y organizados.

El aprendizaje automático no supervisado tiene dos subtipos principales:

Agrupación y asociación

La agrupación tiene observaciones divididas en subconjuntos, que se conocen como agrupaciones. Las observaciones dentro de estos grupos son similares entre sí.

Un ejemplo de dónde se podría utilizar la agrupación es cuando un proveedor de telecomunicaciones desea establecer una red en una región mediante la instalación de torres allí. Utilizan el algoritmo de agrupación, teniendo en cuenta las áreas que proporcionarían una conectividad óptima a todos los usuarios y el rango máximo que tendría una torre celular, para dividir toda la región en grupos.

Usando Asociación identificamos patrones de asociaciones entre diferentes variables o elementos. Es un concepto que los sitios web de comercio electrónico utilizarían para sugerir otros productos para que usted compre.

Espero que esto te ayude a entender. 🙂
Para obtener más información sobre los conceptos de Machine Learning, le sugiero que vea este video:

Si está interesado en obtener más información sobre el aprendizaje automático y obtener un conocimiento profundo, consulte nuestra Capacitación sobre certificación de aprendizaje automático.

En el aprendizaje no supervisado, los científicos no tienen realmente un resultado predeterminado en mente.

No hay objetivo explícito o señal de retroalimentación, o error para evaluar una solución.

ejemplo 1: agrupamiento basado en una variedad de características

Como tal agrupamiento se puede llamar no supervisado. hacemos grupos, solo en función de las características y su relación o patrones de comprensión.

ejemplo 2: memoria asociativa / reconocimiento

Se pueden “asociar” diferentes eventos con sus características, es decir, se pueden inferir patrones. etc.

citemos algunas técnicas que están bajo este término general:

PCA, SVM, k-medias, detección de anomalías Algo. etc.

El aprendizaje no supervisado implica aprender de los datos, pero sin el objetivo de predicción. Esto se debe a que los datos no se proporcionan con una variable de respuesta objetivo (etiqueta) o uno elige no designar una respuesta. También se puede usar como un paso de preprocesamiento para el aprendizaje supervisado.

En el caso no supervisado, el objetivo es descubrir patrones, conocimientos profundos, comprender la variación, encontrar subgrupos desconocidos (entre las variables u observaciones), etc. en los datos. El aprendizaje no supervisado puede ser bastante subjetivo en comparación con el aprendizaje supervisado.

Las dos técnicas más utilizadas en el aprendizaje no supervisado son el análisis de componentes principales (PCA) y la agrupación.

PCA es un enfoque para aprender lo que se llama un modelo variable latente, y es una versión particular de una técnica de separación de señal ciega.

Otros enfoques notables de modelado de variables latentes incluyen el algoritmo de maximización de expectativas (EM) y el Método de momentos.

Muy buen tutorial en profundidad sobre el aprendizaje no supervisado https://www.innoarchitech.com/ma

case.1: Suponga que le dan un conjunto de datos del automóvil sin etiquetas .

ex: tipo = sedán; combustible = gasolina; asientos = 4

case.2: Suponga que le dan un conjunto de datos de auto con etiquetas .

ex: tipo = sedán; combustible = gasolina; asientos = 4; automóvil ( Etiqueta ) = Audi.

En el caso 1, no hay etiquetas. Entonces, primero necesitamos agrupar los datos y luego les asignaremos etiquetas como 1,2,3 … Esto se llama aprendizaje no supervisado .

En el caso 2, las etiquetas ya están dadas. Entonces, utilizamos algoritmos de clasificación para predecir la marca del automóvil. Esto se llama aprendizaje supervisado .

Los problemas de clasificación y agrupamiento son la instancia típica para el aprendizaje no supervisado. En estos problemas, no hay etiquetas para los datos de entrenamiento.

En palabras simples = predicción realizada cuando el resultado no está definido en la parte de entrenamiento del conjunto de datos de entrada.