Aprendizado não supervisionado

Envolve o treinamento de um modelo em um conjunto de dados não rotulado. O objetivo é descobrir padrões ou estruturas ocultas nos dados. É como dar a uma criança uma caixa grande de peças de LEGO sem o manual de instruções. O objetivo é ver quais estruturas ou padrões interessantes ela cria por conta própria. Exemplos incluem tarefas de agrupamento (clustering) e redução de dimensionalidade:

• Agrupamento (Clustering): O objetivo é agrupar instâncias semelhantes em clusters. É como organizar seus brinquedos em grupos sem que lhe digam como. Por exemplo, uma loja pode agrupar clientes em diferentes tipos para que possam descobrir a melhor maneira de fazer propaganda para cada tipo. Ou, nas redes sociais, ajuda a descobrir quem está em qual grupo de amigos.
• Redução de Dimensionalidade: Uma técnica que simplifica a complexidade de dados de alta dimensão, mantendo suas características essenciais. Imagine que você tem uma mochila enorme cheia de material escolar, mas quer deixá-la mais leve. A redução de dimensionalidade é como descobrir o que é essencial e o que não é, para que você carregue apenas o que realmente precisa. Isso ajuda a lidar com o excesso de informações - como se você estivesse tentando olhar para uma imagem muito complexa e simplificá-la para que seja mais fácil de entender.

À medida que avançamos por diferentes algoritmos neste curso, falaremos sobre se eles são mais parecidos com o aprendizado supervisionado ou não supervisionado.