Skip to content

🔍 Aprendizaje No Supervisado

¡Bienvenido a la sección de Aprendizaje No Supervisado! 🎉

📘 ¿Qué es el Aprendizaje No Supervisado?

El aprendizaje no supervisado es un tipo de aprendizaje automático en el que el modelo trabaja con datos sin etiquetas. El objetivo es descubrir patrones ocultos, estructuras o agrupaciones en los datos sin tener una respuesta correcta predefinida.

A diferencia del aprendizaje supervisado, aquí no hay una variable objetivo que predecir; el algoritmo debe encontrar por sí mismo las relaciones entre los datos.

🧠 Tipos de Problemas No Supervisados

  1. Clustering (Agrupamiento):
    Agrupa datos similares en clusters o grupos.
    📍 Ejemplo: Segmentación de clientes según su comportamiento de compra.

  2. Reducción de Dimensionalidad:
    Reduce el número de variables manteniendo la información más relevante.
    📍 Ejemplo: Visualizar datos de alta dimensión en 2D o 3D.

  3. Detección de Anomalías:
    Identifica datos que se desvían significativamente del patrón normal.
    📍 Ejemplo: Detectar transacciones fraudulentas.

  4. Reglas de Asociación:
    Encuentra relaciones entre variables en grandes conjuntos de datos.
    📍 Ejemplo: Análisis de cesta de compra (¿qué productos se compran juntos?).

🔍 Algoritmos Comunes

  • K-Means
  • DBSCAN
  • Clustering Jerárquico
  • PCA (Análisis de Componentes Principales)
  • t-SNE
  • Isolation Forest
  • Apriori

📅 Fecha de creación: Enero 2026
✍️ Autor: Fran García