¿A qué tipo de problemas del mundo real se aplica el aprendizaje no supervisado?

Si ha sido usuario de Facebook antes de 2015, debe saber lo difícil que fue etiquetar manualmente a las personas en una foto. Tendría que seleccionar la opción para etiquetar a alguien en la foto, recordar el nombre de esa persona y luego finalizar el proceso.

Esa es una molestia! Ahora, vamos a Facebook ahora.

¿Has publicado una foto? Deja que Facebook sugiera quién cree que está en la foto.

Sí, puede etiquetar a las personas manualmente como antes, pero la mayoría de las veces, Facebook es bastante preciso con sus predicciones.

El aprendizaje no supervisado ayudó a resolver el problema de identificar personas en el
foto que publicaste

El aprendizaje automático no supervisado consideraría todas las imágenes que las personas en su lista de amigos hayan publicado, tenga en cuenta su postura, sus rostros, etc. para capacitarse y poder identificarlos si están presentes en alguna imagen. También ayuda a sugerir personas con las que puede ser amigo, sobre la base de su

Otro problema que el aprendizaje automático no supervisado resolvió fue el de un sistema de recomendación . En un sitio web de comercio electrónico, por ejemplo, Amazon, después de haber comprado un libro, a menudo te sugieren (a veces incluso te persiguen) otros libros que podrías estar interesado en comprar. Eso es posible teniendo en cuenta su uso, su historial de compras, etc.

Otro problema que resuelve es poder determinar la parte de la base de clientes de una empresa que mejor se adapta a un producto en particular.

Para obtener más detalles sobre los conceptos de aprendizaje automático, le sugiero que vea este video:

Si está interesado en obtener más información sobre Machine Learning y obtener un conocimiento profundo, consulte nuestra Capacitación de certificación de Machine Learning .

Se puede utilizar en campos como la genética y las ventas. Por ejemplo, digamos que yo fabrico y vendo pantalones. Suponga que tengo datos de mis clientes y que he trazado el tamaño de la cintura frente a la altura en los gráficos a continuación.
De: K-Means Clustering Simplified

Si bien podría haber todo tipo de combinaciones, no puedo fabricar todos los tamaños posibles. Sin embargo, sé que podría dirigirme a la mayoría de mis clientes haciendo algunos tamaños específicos.

Aquí es donde entra en juego la agrupación de k-means . Puedo agrupar los datos utilizando k-means, observar dónde están centrados los grupos y simplemente fabricar pantalones en esos tamaños. De esa manera, puedo atraer a la mayoría de mis clientes mientras uso mis recursos de fabricación de manera más efectiva.

La detección de anomalías (a veces conocida como detección de valores atípicos) es un ejemplo clásico, un uso común para esto sería la detección de fraude, pero esto podría usarse en otros casos, como para evitar fallas de hardware.

Los sistemas de recomendación son otro ejemplo común, por ejemplo, recomendar productos similares (o productos que gustaron a usuarios similares).

Otros ejemplos son el análisis de agrupación (por ejemplo, agrupación de k-medias) y la reducción de dimensionalidad, por ejemplo, PCA.