El aprendizaje no supervisado, también conocido como machine learning no supervisado, utiliza algoritmos de machine learning para analizar y agrupar conjuntos de datos no etiquetados. Estos algoritmos descubren patrones ocultos o agrupaciones de datos sin necesidad de intervención humana. Su capacidad de descubrir similitudes y diferencias en la información la convierte en la solución ideal para análisis exploratorio de datos, estrategias de venta cruzada, segmentación de clientes y reconocimiento de imágenes.

Los modelos de aprendizaje no supervisados se utilizan para tres tareas principales: agrupamiento, asociación y reducción de dimensionalidad. A continuación, definiremos cada método de aprendizaje y destacaremos los algoritmos y enfoques comunes para llevarlos a cabo de manera efectiva.

Agrupación en clústeres

La agrupación es una técnica de minería de datos que agrupa datos sin etiquetar en función de sus similitudes o diferencias. Los algoritmos de agrupación en clústeres se utilizan para procesar objetos de datos brutos y sin clasificar en grupos representados por estructuras o patrones en la información. Los algoritmos de agrupación en clústeres se pueden clasificar en unos pocos tipos, específicamente exclusivos, superpuestos, jerárquicos y probabilísticos.

Agrupación exclusiva y superpuesta

La agrupación en clústeres exclusiva es una forma de agrupación que estipula que un punto de datos solo puede existir en un clúster. Esto también se puede denominar agrupamiento "duro" ("hard clustering"). El algoritmo de agrupación en clústeres de K-means es un ejemplo de agrupación en clústeres exclusiva.

• La agrupación en clústeres de K-means es un ejemplo común de un método de agrupación exclusiva en el que los puntos de datos se asignan a grupos K, donde K representa el número de agrupaciones según la distancia desde el centroide de cada grupo. Los puntos de datos más cercanos a un centroide específico se agruparán en la misma categoría. Un valor de K más grande será indicativo de agrupaciones más pequeñas con más granularidad, mientras que un valor de K más pequeño tendrá agrupaciones más grandes y menos granularidad. La agrupación de K-means se utiliza comúnmente en la segmentación del mercado, la agrupación de documentos, la segmentación de imágenes y la compresión de imágenes.

Los clústeres superpuestos difieren de los clústeres exclusivos en que permiten que los puntos de datos pertenezcan a varios clústeres con grados de membresía distintos. El agrupamiento "suave" o difuso de K-means ("soft clustering") es un ejemplo de agrupación superpuesta.

Agrupación jerárquica

La agrupación jerárquica, también conocida como análisis de agrupamiento jerárquico (HCA), es un algoritmo de agrupamiento no supervisado que se puede categorizar de dos formas: pueden ser aglomerados o divisivos. La agrupación aglomerativa se considera un "enfoque de abajo hacia arriba". Sus puntos de datos se aíslan inicialmente como agrupaciones separadas y luego se fusionan de forma iterativa según la similitud hasta que se logra crear un grupo. Normalmente se utilizan cuatro métodos diferentes para medir la similitud:

1. Método de Ward: este método establece que la distancia entre dos clústeres se define por el aumento en la suma de los cuadrados después de fusionar los clústeres.
2. Enlace promedio: este método se define por la distancia media entre dos puntos en cada clúster.
3. Enlace completo (o vecino más alejado): este método se define por la distancia máxima entre dos puntos en cada clúster.
4. Enlace simple (o vecino más próximo): este método se define por la distancia mínima entre dos puntos en cada clúster.

La distancia euclidiana es la métrica más común utilizada para calcular estas distancias. Sin embargo, otras métricas, como la distancia de Manhattan, también se citan en la literatura sobre agrupaciones.

La agrupación divisiva se puede definir como lo opuesto a la aglomerativa. En su lugar, adopta un enfoque "de arriba hacia abajo". En este caso, un solo clúster de datos se divide en función de las diferencias entre los puntos de datos. La agrupación divisiva no se utiliza comúnmente, pero aún así vale la pena mencionarla en el contexto de la agrupación jerárquica. Estos procesos de agrupación en clústeres generalmente se visualizan mediante un dendrograma, un diagrama en forma de árbol que documenta la combinación o división de puntos de datos en cada iteración.

Agrupación probabilística

Un modelo probabilístico es una técnica no supervisada que ayuda a resolver problemas de estimación de densidad o de agrupamiento "suave". En la agrupación probabilística, los puntos de datos se agrupan en función de la probabilidad de que pertenezcan a una distribución particular. El modelo de mezcla gaussiana (GMM) es uno de los métodos de agrupación probabilística más utilizados.

• Los modelos de mezcla gaussiana se clasifican como modelos mixtos, lo que significa que se componen de un número no especificado de funciones de distribución de probabilidad. Los GMM se aprovechan principalmente para determinar a qué distribución de probabilidad gaussiana, o normal, pertenece un punto de datos específico. Si se conoce la media o la varianza, entonces podemos determinar a qué distribución pertenece un punto de datos determinado. Sin embargo, en los GMM, estas variables no se conocen, por lo que asumimos que existe una variable latente u oculta para agrupar puntos de datos de manera adecuada. Si bien no es necesario utilizar el algoritmo de maximización de expectativas (EM), se usa comúnmente para estimar las probabilidades de asignación para un punto de datos específico a un clúster de datos en particular.

Reglas de asociación

Una regla de asociación es un método basado en reglas para encontrar relaciones entre variables en un conjunto de datos determinado. Estos métodos se utilizan con frecuencia para los análisis de carrito de compra, que permite a las empresas comprender mejor las relaciones entre diferentes productos. Comprender los hábitos de consumo de los clientes permite a las empresas desarrollar mejores estrategias de venta cruzada y motores de recomendación. Se pueden ver ejemplos de esto en "Los clientes que compraron este artículo también compraron" de Amazon o en la lista de reproducción "Discover Weekly" de Spotify. Si bien se utilizan algunos algoritmos diferentes para generar reglas de asociación, como Apriori, Eclat y FP-Growth, el algoritmo Apriori es el más utilizado.

Algoritmos Apriori

Los algoritmos Apriori se han popularizado a través del análisis del carrito de compra, lo que ha dado lugar a diferentes motores de recomendación para plataformas de música y minoristas en línea. Se utilizan dentro de conjuntos de datos transaccionales para identificar conjuntos de artículos frecuentes, o colecciones de artículos, para identificar la probabilidad de consumir un producto dado el consumo de otro producto. Por ejemplo, si pongo la radio de Black Sabbath en Spotify, comenzando con su canción "Orchid", una de las otras canciones de este canal probablemente será una canción de Led Zeppelin, como "Over the Hills and Far Away". Esto se basa en mis hábitos anteriores y en los de los demás. Los algoritmos Apriori utilizan un árbol hash para contar conjuntos de elementos, navegando por el conjunto de datos de una manera amplia.

Reducción de dimensionalidad

Si bien más datos generalmente arrojan resultados más precisos, también puede afectar el rendimiento de los algoritmos de machine learning (por ejemplo, sobreajuste) y también puede dificultar la visualización de conjuntos de datos. La reducción de la dimensionalidad es una técnica que se utiliza cuando el número de características o dimensiones de un conjunto de datos determinado es demasiado alto. Reduce la cantidad de entradas de datos a un tamaño manejable y al mismo tiempo preserva la integridad del conjunto de datos tanto como sea posible. Se usa comúnmente en la etapa de preprocesamiento de datos, y se pueden usar algunos métodos diferentes de reducción de dimensionalidad, como:

Análisis de componentes principales

El análisis de componentes principales (PCA) es un tipo de algoritmo de reducción de dimensionalidad que se utiliza para reducir redundancias y comprimir conjuntos de datos mediante la extracción de características. Este método usa una transformación lineal para crear una nueva representación de datos, produciendo un conjunto de "componentes principales". El primer componente principal es la dirección que maximiza la varianza del conjunto de datos. Si bien el segundo componente principal también encuentra la varianza máxima en los datos, no está correlacionado por completo con el primer componente principal, lo que produce una dirección que es perpendicular u ortogonal al primer componente. Este proceso se repite en función del número de dimensiones, donde un siguiente componente principal es la dirección ortogonal a los componentes anteriores con la mayor variación.

Descomposición en valores singulares

La descomposición en valores singulares (SVD) es otro enfoque de reducción de dimensionalidad que factoriza una matriz, A, en tres matrices de bajo rango. La SVD se denota mediante la fórmula A = USVT, donde U y V son matrices ortogonales. S es una matriz diagonal y los valores de S se consideran valores singulares de la matriz A. Similar a PCA, se usa comúnmente para reducir el ruido y comprimir datos como, por ejemplo, archivos de imagen.

Codificadores automáticos

Los codificadores automáticos aprovechan las redes neuronales para comprimir datos y luego recrear una nueva representación de la entrada de datos originales. Al mirar la imagen de abajo, puede ver que la capa oculta actúa específicamente como un cuello de botella para comprimir la capa de entrada antes de reconstruirla dentro de la capa de salida. La etapa de la capa de entrada a la capa oculta se denomina "codificación", mientras que la etapa de la capa oculta a la capa de salida se conoce como "decodificación".

Las técnicas de machine learning se han convertido en un método común para mejorar la experiencia del usuario de un producto y para probar sistemas para garantizar la calidad. El aprendizaje no supervisado proporciona una ruta exploratoria para ver datos, lo que permite a las empresas identificar patrones en grandes volúmenes de datos más rápidamente en comparación con la observación manual. Algunas de las aplicaciones más comunes del aprendizaje no supervisado en el mundo real son:

• Secciones de noticias: Google News utiliza el aprendizaje no supervisado para categorizar artículos sobre la misma historia de varios medios informativos en línea. Por ejemplo, los resultados de una elección presidencial podrían clasificarse bajo la etiqueta de noticias "estadounidenses".
• Visión artificial: los algoritmos de aprendizaje no supervisados se utilizan para tareas de percepción visual, como el reconocimiento de objetos.
• Imagenología: el machine learning no supervisado proporciona funciones esenciales para los dispositivos de imagenología, como la detección, clasificación y segmentación de imágenes, que se utilizan en radiología y patología para diagnosticar a los pacientes de forma rápida y precisa.
• Detección de anomalías: los modelos de aprendizaje no supervisados pueden analizar grandes cantidades de datos y descubrir puntos de datos atípicos dentro de un conjunto de datos. Estas anomalías pueden generar conciencia sobre equipos defectuosos, errores humanos o brechas de seguridad.
• Perfiles de clientes: la definición de perfiles de clientes facilita la comprensión de los rasgos comunes y los hábitos de compra de los clientes comerciales. El aprendizaje no supervisado permite a las empresas crear mejores perfiles de compradores, lo que hace posible que las organizaciones alineen el mensaje de sus productos de manera más adecuada.
• Motores de recomendaciones: al utilizar datos del comportamiento pasado de los consumidores, los algoritmos de IA pueden ayudar a descubrir tendencias de datos que se pueden utilizar para desarrollar estrategias de venta cruzada más eficaces. Esto se usa para que los minoristas en línea puedan hacer recomendaciones adicionales relevantes a los clientes durante el proceso de compra.

El aprendizaje no supervisado y el aprendizaje supervisado con frecuencia se analizan en conjunto. A diferencia de los algoritmos de aprendizaje no supervisados, los algoritmos de aprendizaje supervisados utilizan datos etiquetados. A partir de esos datos, predice resultados futuros o asigna datos a categorías específicas en función del problema de regresión o clasificación que está tratando de resolver. Si bien los algoritmos de aprendizaje supervisado tienden a ser más precisos que los modelos de aprendizaje no supervisados, requieren una intervención humana inicial para etiquetar los datos de manera adecuada. Sin embargo, estos conjuntos de datos etiquetados permiten que los algoritmos de aprendizaje supervisado eviten la complejidad computacional, ya que no necesitan un gran conjunto de datos de entrenamiento para producir los resultados esperados. Las técnicas comunes de regresión y clasificación son regresión lineal y logística, naïve bayes, algoritmo KNN y bosque aleatorio.

El aprendizaje semisupervisado ocurre cuando solo se ha etiquetado una parte de los datos de entrada determinados. El aprendizaje no supervisado y semisupervisado pueden ser una alternativa más atractiva, ya que confiar en la experiencia de profesionales para etiquetar los datos de manera adecuada para el aprendizaje supervisado puede llevar mucho tiempo y ser costoso.

Para obtener más detalles acerca de las diferencias entre estos enfoques, vea "Aprendizaje supervisado vs. no supervisado: ¿cuál es la diferencia?".

Si bien el aprendizaje no supervisado tiene muchos beneficios, pueden surgir algunos desafíos cuando permite que los modelos de machine learning se ejecuten sin ninguna intervención humana. Algunos de esos desafíos pueden incluir:

• Complejidad computacional debido a un gran volumen de datos de entrenamiento
• Tiempos de entrenamiento más prolongados
• Mayor riesgo de resultados inexactos
• Intervención humana para validar variables de salida
• Falta de transparencia sobre la base en la que se agruparon los datos