Aprendizaje no supervisado

Implica entrenar un modelo en un conjunto de datos no etiquetado. El objetivo es descubrir patrones o estructuras ocultas en los datos. Es como darle a un niño una caja grande de piezas de LEGO sin el manual de instrucciones. El objetivo es ver qué estructuras o patrones interesantes se les ocurren por su cuenta. Los ejemplos incluyen tareas de agrupamiento (clustering) y reducción de dimensionalidad:

• Clustering: El objetivo es agrupar instancias similares en clústeres. Es como organizar tus juguetes en grupos sin que te digan cómo. Por ejemplo, una tienda podría agrupar a los clientes en diferentes tipos para poder determinar la mejor manera de anunciarse a cada tipo. O, en las redes sociales, ayuda a encontrar quién está en qué grupo de amigos.
• Dimensionality Reduction: Una técnica que simplifica la complejidad de los datos de alta dimensión mientras conserva sus características esenciales. Imagina que tienes una mochila enorme llena de útiles escolares pero quieres hacerla más ligera. La reducción de dimensionalidad es como determinar qué es esencial y qué no, para que solo lleves lo que realmente necesitas. Esto ayuda a lidiar con demasiada información, como si estuvieras tratando de mirar una imagen muy compleja y simplificarla para que sea más fácil de entender.

A medida que avancemos por los diferentes algoritmos en este curso, hablaremos sobre si se parecen más al aprendizaje supervisado o al no supervisado.