Qué es
A diferencia del aprendizaje supervisado, acá el modelo recibe datos sin ninguna etiqueta y debe encontrar por sí mismo estructuras, patrones o agrupamientos presentes en esos datos, sin que nadie le indique de antemano cuál es la respuesta “correcta”.
Tareas típicas
- Clustering: agrupar observaciones similares entre sí, como segmentar clientes según su comportamiento de compra.
- Reducción de dimensionalidad: simplificar datos con muchas variables a un número menor, conservando la información más relevante.
- Detección de anomalías: identificar observaciones que no encajan con el patrón general del resto de los datos.
Por qué es útil
Es especialmente valioso cuando etiquetar los datos manualmente sería muy costoso, o cuando ni siquiera se sabe de antemano qué grupos o patrones podrían existir en los datos.