Unsupervised Learning

El aprendizaje no supervisado es un tipo de aprendizaje automático donde un algoritmo aprende patrones a partir de datos sin etiquetar sin intervención humana. A diferencia del aprendizaje supervisado, que depende de pares de entrada-salida etiquetados para entrenar un modelo, el aprendizaje no supervisado trabaja con datos que carecen de etiquetas históricas. El sistema básicamente intenta autoenseñarse descubriendo estructuras, patrones o relaciones ocultas dentro de los datos de entrada. Este enfoque es particularmente valioso porque la gran mayoría de los datos generados hoy en día (imágenes, vídeos, texto y registros de sensores) no están estructurados ni etiquetados.

Cómo funciona el aprendizaje no supervisado#

En escenarios no supervisados, el algoritmo se deja a su suerte para descubrir estructuras interesantes en los datos. El objetivo suele ser modelar la distribución subyacente de los datos o aprender más sobre los datos en sí. Debido a que no hay "respuestas correctas" proporcionadas durante el entrenamiento, el modelo no puede evaluarse según la precisión en el sentido tradicional. En su lugar, el rendimiento se mide a menudo por lo bien que el modelo reduce la dimensionalidad o agrupa puntos de datos similares.

Esta metodología refleja cómo los humanos suelen aprender nuevos conceptos. Por ejemplo, un niño puede distinguir entre perros y gatos observando sus diferentes formas y comportamientos sin necesidad de conocer inicialmente los nombres "perro" y "gato". De igual modo, los algoritmos no supervisados agrupan la información basándose en similitudes inherentes. Esta capacidad es fundamental para el desarrollo de la artificial general intelligence (AGI), ya que permite a los sistemas adaptarse a nuevos entornos sin la supervisión humana constante.

Técnicas clave en el aprendizaje no supervisado#

El aprendizaje no supervisado abarca varias técnicas distintas, cada una adaptada a diferentes tipos de problemas de análisis de datos:

• Agrupamiento: Esta es la aplicación más común, en la cual el algoritmo agrupa puntos de datos que son similares entre sí. Un método popular es la K-Means clustering, que particiona los datos en k grupos distintos según la similitud de características. Esto se utiliza ampliamente en la segmentación de mercados para identificar grupos de clientes con comportamientos de compra similares.
• Reducción de dimensionalidad: Los datos de alta dimensión pueden ser complejos y costosos de procesar a nivel computacional. Técnicas como el Principal Component Analysis (PCA) reducen el número de variables en un conjunto de datos mientras preservan su información esencial. Esto simplifica la data visualization y acelera el entrenamiento de otros modelos de machine learning.
• Detección de anomalías: Al aprender cómo se ve la información "normal", los modelos no supervisados pueden identificar valores atípicos que se desvían significativamente de la norma. Esto es crucial para la fraud detection in finance, donde los patrones de transacciones inusuales activan alertas de seguridad.
• Aprendizaje de reglas de asociación: Esta técnica descubre relaciones interesantes entre variables en bases de datos grandes. Se utiliza habitualmente para el análisis de la cesta de la compra, ayudando a los minoristas a comprender que los clientes que compran pan también tienen probabilidades de comprar mantequilla.

Aprendizaje no supervisado frente al supervisado#

Es importante distinguir el unsupervised learning del supervised learning. La diferencia principal radica en los datos utilizados. El aprendizaje supervisado requiere un labeled dataset, lo que significa que cada ejemplo de entrenamiento se empareja con una salida correcta (por ejemplo, una imagen de un gato etiquetada como "gato"). El modelo aprende a mapear entradas a salidas para minimizar el error.

En contraste, el aprendizaje no supervisado utiliza datos sin etiquetar. No existe un bucle de retroalimentación que le indique al modelo si su salida es correcta. Existe un punto intermedio llamado semi-supervised learning, que combina una pequeña cantidad de datos etiquetados con una gran cantidad de datos sin etiquetar para mejorar la precisión del aprendizaje, y a menudo se utiliza cuando etiquetar datos es costoso o requiere mucho tiempo.

Aplicaciones en el mundo real#

El aprendizaje no supervisado impulsa muchas tecnologías con las que nos encontramos a diario. Aquí tienes dos ejemplos concretos:

1. Segmentación de clientes en el comercio minorista: Las plataformas de comercio electrónico analizan millones de interacciones de usuarios sin categorías predefinidas. Mediante el uso de algoritmos de agrupamiento, identifican perfiles de usuario distintos, como "cazadores de ofertas de fin de semana" o "entusiastas de la tecnología". Esto permite campañas de marketing altamente personalizadas y recommendation systems, mejorando significativamente la experiencia del cliente.

2. Análisis de secuencias genómicas: En bioinformática, los investigadores utilizan el aprendizaje no supervisado para analizar datos genéticos. Los algoritmos agrupan secuencias de ADN para encontrar marcadores genéticos o mutaciones similares en diferentes poblaciones. Esto ayuda a comprender las relaciones evolutivas e identificar predisposiciones genéticas a enfermedades sin necesidad de conocer de antemano cada función genética específica.

Ejemplo de código: Agrupamiento con Scikit-Learn#

Si bien Ultralytics YOLO26 es principalmente un marco de detección de objetos supervisado, las técnicas no supervisadas se utilizan a menudo en los pasos de preprocesamiento, como el análisis de distribuciones de anclajes de cajas (anchor boxes) o el agrupamiento de características de conjuntos de datos. A continuación se muestra un ejemplo sencillo que utiliza sklearn para realizar un agrupamiento K-Means, una técnica no supervisada fundamental.

import numpy as np
from sklearn.cluster import KMeans

# Generate synthetic data: 10 points with 2 features each
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

# Initialize KMeans with 2 clusters (k=2)
kmeans = KMeans(n_clusters=2, random_state=0, n_init="auto")

# Fit the model to the data (no labels provided!)
kmeans.fit(X)

# Predict which cluster each point belongs to
print(f"Labels: {kmeans.labels_}")
# Output will group the first 3 points together (0) and the last 3 together (1)

El papel del aprendizaje no supervisado en el aprendizaje profundo#

El deep learning (DL) moderno integra cada vez más principios no supervisados. Técnicas como el Self-Supervised Learning (SSL) permiten que los modelos generen sus propias señales de supervisión a partir de los datos. Por ejemplo, en el Natural Language Processing (NLP), modelos como GPT-4 se preetrenan con grandes cantidades de texto para predecir la siguiente palabra en una oración, aprendiendo de manera efectiva la estructura del lenguaje sin etiquetas explícitas.

De igual manera, en la computer vision (CV), los autoencoders se utilizan para aprender codificaciones de datos eficientes. Estas redes neuronales comprimen imágenes en una representación de menor dimensión y luego las reconstruyen. Este proceso le enseña a la red las características más destacadas de los datos visuales, lo cual resulta útil para tareas como la image denoising y el modelado generativo.

Para aquellos que buscan gestionar conjuntos de datos para el entrenamiento, la Ultralytics Platform ofrece herramientas para visualizar distribuciones de datos, lo que puede ayudar a identificar conglomerados o anomalías antes de que comience el proceso de entrenamiento supervisado. Comprender la estructura de tus datos mediante la exploración no supervisada suele ser el primer paso hacia la construcción de soluciones de IA robustas.