Aprendizaje no supervisado
Tipo de aprendizaje automático en el que el modelo busca estructura en datos sin etiquetas, por ejemplo agrupando elementos parecidos.
Explicado fácil
Aquí nadie le dice al modelo cuál es la respuesta correcta. Se le da un montón de datos y se le pide que encuentre por su cuenta patrones, grupos o regularidades.
Una analogía
Es como dar a un niño una caja con mil botones mezclados, sin instrucciones. Probablemente los separará por color, tamaño o forma, aunque nadie le haya dicho qué categorías existen.
Un ejemplo
Una tienda online agrupa a sus clientes según sus compras y descubre, sin haberlo definido antes, un grupo de “compradores de regalos de última hora” y otro de “clientes fieles de productos ecológicos”.
Cómo funciona (nivel técnico)
Las tareas típicas son el agrupamiento (clustering, con algoritmos como k-medias), la reducción de dimensionalidad (PCA, t-SNE, UMAP) y la detección de anomalías. No hay una “respuesta correcta” contra la que medir, así que evaluar el resultado es más difícil y suele requerir juicio humano. Técnicas relacionadas como la autosupervisión, donde las etiquetas se obtienen de los propios datos, son la base del preentrenamiento de los modelos de lenguaje actuales.
Errores comunes
- Esperar que los grupos encontrados tengan un significado obvio. El algoritmo agrupa por similitud matemática, no por conceptos humanos.
- Olvidar que cambiar el número de grupos o la medida de distancia puede dar resultados muy distintos.