Entrenamiento no supervisado

Es un enfoque en el que un modelo de aprendizaje automático trabaja con datos que no tienen etiquetas ni categorizaciones previas.

El objetivo principal es identificar patrones, estructuras subyacentes o agrupaciones dentro de los datos sin intervención humana directa.

Se suelen utilizar algoritmos como clustering (agrupamiento) y reducción de dimensionalidad para analizar las relaciones entre características del conjunto de datos.

A diferencia del aprendizaje supervisado, no se requiere un conjunto de datos etiquetado, lo que lo hace ideal para escenarios en los que esta información no está disponible.

Ejemplos comunes incluyen la segmentación de clientes, análisis de redes sociales y clasificación de imágenes basadas en similitudes.