Aprendizaje no supervisado: la habilidad esencial de machine learning para descubrir patrones

El aprendizaje no supervisado es un subcampo del aprendizaje automático en el que los algoritmos aprenden a partir de datos que no han sido etiquetados, clasificados ni categorizados. El objetivo principal es explorar los datos y encontrar en ellos alguna estructura o patrón. Entre las técnicas habituales se encuentran la agrupación, que reúne puntos de datos similares, y la reducción de dimensionalidad, que simplifica los datos reduciendo el número de características y conservando la información importante. Esta competencia es esencial para científicos de datos e ingenieros de ML que necesitan descubrir relaciones e información ocultas en datos sin procesar, y constituye la base del análisis exploratorio de datos y la ingeniería de características. Las certificaciones centradas en IA y ML suelen abordar el aprendizaje no supervisado para evaluar la capacidad del candidato de extraer valor de conjuntos de datos sin etiquetar.

El aprendizaje no supervisado hace referencia a técnicas de aprendizaje automático que identifican patrones o estructuras en los datos sin necesidad de etiquetas preexistentes ni resultados objetivo.