Aprendizagem não supervisionada

Parte de uma série sobre
Aprendizado de máquina e mineração de dados
Problemas Classificação Agrupamento Regressão Detecção de anomalias AutoML Regras de associação Aprendizagem por reforço Predição estruturada Engenharia de características Aprendizagem de características Aprendizagem online Aprendizagem semissupervisionada Aprendizagem não supervisionada Aprendizagem de ordenação Aprendizado de ontologias Indução de gramática
Aprendizagem supervisionada (classificação • regressão) Árvores de decisão Ensembles Bagging Boosting Floresta aleatória k-NN Regressão linear Naive Bayes Redes neurais artificiais Regressão logística Máquina de vetores de relevância (RVM) Máquina de vetores de suporte (SVM) Otimização de Política Proximal Perceptron
Clustering BIRCH CURE Hierarchical Difuso k-means Maximização de expectativa (EM) DBSCAN OPTICS Mean-shift
Redução de dimensionalidade Análise fatorial CCA ICA LDA NMF PCA PGD t-SNE SDL
Predição estruturada Modelos gráficos Rede bayesiana Campo aleatório condicional Markov oculto
Detecção de anomalias RANSAC k-NN LOF Isolation Forest
Rede neural artificial Autoencoder Computação cognitiva Aprendizagem profunda DeepDream Perceptron multicamadas RNN LSTM GRU ESN Máquina de Boltzmann restrita GAN SOM Rede neural convolucional U-Net Transformer Spiking neural network Memtransistor RAM eletroquímica (ECRAM)
Aprendizagem por reforço Aprendizagem Q SARSA Diferença temporal (TD)
Teoria Equilíbrio entre viés e variância Teoria da aprendizagem computacional Minimização de risco empírico Aprendizagem Occam Aprendizagem PAC Aprendizagem estatística Teoria VC
Locais de aprendizado de máquina NeurIPS ICML ML JMLR ArXiv
Artigos relacionados Glossário de inteligência artificial Lista de conjuntos de dados para pesquisa em aprendizagem de máquina Visão geral da aprendizagem de máquina Função softmax

A aprendizagem não supervisionada é uma área da inteligência artificial (IA) que envolve o uso de algoritmos para encontrar padrões ou estruturas em conjuntos de dados não rotulados. Isso significa que, ao contrário da aprendizagem supervisionada, em que um conjunto de dados rotulados é usado para treinar um modelo, na aprendizagem não supervisionada, o modelo deve encontrar por conta própria as estruturas e padrões nos dados.

Um exemplo de algoritmo de aprendizagem não supervisionada é o agrupamento k-means, que agrupa dados em clusters com base em sua similaridade. Outro exemplo é a análise de componentes principais (PCA), que é usada para reduzir a dimensionalidade dos dados, encontrando as características mais importantes que explicam a maior parte da variação nos dados. A aprendizagem não supervisionada é usada para explorar dados desconhecidos e pode revelar padrões que podem ter sido perdidos ou examinar grandes conjuntos de dados que seriam demais para serem resolvidos por um ser humano. Outros exemplos de aprendizado não supervisionado são análise de agrupamento de dados e agrupamento hierárquico.

A aprendizagem não supervisionada é frequentemente usada em tarefas de mineração de dados e análise exploratória de dados, em que não há um conjunto rotulado para treinar um modelo. Alguns exemplos de aplicações da aprendizagem não supervisionada incluem detecção de anomalias, segmentação de clientes, análise de sentimento e modelagem de tópicos.

No entanto, a aprendizagem não supervisionada tem algumas limitações, como a dificuldade em avaliar a qualidade dos resultados, a falta de interpretabilidade dos modelos e a necessidade de pré-processamento cuidadoso dos dados. Portanto, é importante escolher cuidadosamente o algoritmo e o conjunto de dados adequados para cada aplicação específica.