Unsupervised Learning

El aprendizaje no supervisado es un tipo de aprendizaje automático en el que un algoritmo aprende patrones a partir de datos sin etiquetar y sin intervención humana. A diferencia del aprendizaje supervisado, que se basa en pares de entrada y salida etiquetados para entrenar un modelo, el aprendizaje no supervisado trabaja con datos que no tienen etiquetas históricas. En esencia, el sistema intenta enseñarse a sí mismo descubriendo estructuras, patrones o relaciones ocultas en los datos de entrada. Este enfoque es especialmente valioso porque la gran mayoría de los datos que se generan hoy —imágenes, vídeos, texto y registros de sensores— no están estructurados ni etiquetados.

Cómo funciona el aprendizaje no supervisado#

En los escenarios no supervisados, el algoritmo queda a su aire para descubrir estructuras interesantes en los datos. El objetivo suele ser modelar la distribución subyacente de los datos o aprender más sobre los propios datos. Como durante el entrenamiento no se proporcionan «respuestas correctas», el modelo no puede evaluarse según la precisión en el sentido tradicional. En su lugar, el rendimiento suele medirse por la capacidad del modelo para reducir la dimensionalidad o agrupar puntos de datos similares.

Esta metodología refleja cómo suelen aprender los seres humanos nuevos conceptos. Por ejemplo, un niño puede distinguir entre perros y gatos observando sus diferentes formas y comportamientos, sin conocer necesariamente al principio los nombres «perro» y «gato». Del mismo modo, los algoritmos no supervisados agrupan la información en función de similitudes inherentes. Esta capacidad es fundamental para el desarrollo de la inteligencia artificial general (AGI), ya que permite a los sistemas adaptarse a nuevos entornos sin una supervisión humana constante.

Técnicas clave del aprendizaje no supervisado#

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

• Agrupación: Esta es la aplicación más común, en la que el algoritmo agrupa puntos de datos similares entre sí. Un método popular es la agrupación K-Means, que divide los datos en k grupos distintos basándose en la similitud de las características. Se utiliza ampliamente en la segmentación de mercados para identificar grupos de clientes con comportamientos de compra similares.
• Reducción de la dimensionalidad: Los datos de alta dimensionalidad pueden ser complejos y costosos de procesar desde el punto de vista computacional. Técnicas como el análisis de componentes principales (PCA) reducen el número de variables de un conjunto de datos y conservan su información esencial. Esto simplifica la visualización de datos y acelera el entrenamiento de otros modelos de aprendizaje automático.
• Detección de anomalías: Al aprender cómo son los datos «normales», los modelos no supervisados pueden identificar valores atípicos que se desvían significativamente de la norma. Esto es crucial para la detección de fraudes financieros, donde los patrones de transacciones inusuales activan alertas de seguridad.
• Aprendizaje de reglas de asociación: Esta técnica descubre relaciones interesantes entre variables en grandes bases de datos. Se utiliza especialmente en el análisis de la cesta de la compra, ayudando a los minoristas a comprender que los clientes que compran pan también suelen comprar mantequilla.

Aprendizaje no supervisado frente a aprendizaje supervisado#

Es importante distinguir el aprendizaje no supervisado del aprendizaje supervisado. La diferencia principal reside en los datos utilizados. El aprendizaje supervisado requiere un conjunto de datos etiquetado, lo que significa que cada ejemplo de entrenamiento está asociado a una salida correcta (por ejemplo, una imagen de un gato etiquetada como «gato»). El modelo aprende a asignar entradas a salidas para minimizar el error.

Por el contrario, el aprendizaje no supervisado utiliza datos sin etiquetar. No existe ningún bucle de retroalimentación que indique al modelo si su salida es correcta. Hay un punto intermedio denominado aprendizaje semisupervisado, que combina una pequeña cantidad de datos etiquetados con una gran cantidad de datos sin etiquetar para mejorar la precisión del aprendizaje. Suele utilizarse cuando etiquetar los datos resulta caro o requiere mucho tiempo.

Aplicaciones en el mundo real#

El aprendizaje no supervisado impulsa muchas de las tecnologías con las que nos encontramos a diario. Estos son 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 algoritmos de agrupación, identifican perfiles de usuario distintos, como «cazadores de gangas de fin de semana» o «entusiastas de la tecnología». Esto permite realizar campañas de marketing altamente personalizadas y mejorar considerablemente la experiencia del cliente mediante sistemas de recomendación.

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 distintas poblaciones. Esto ayuda a comprender las relaciones evolutivas e identificar predisposiciones genéticas a enfermedades sin necesidad de conocer previamente la función específica de cada gen.

Ejemplo de código: agrupación con Scikit-Learn#

Aunque Ultralytics YOLO26 es principalmente un framework supervisado de detección de objetos, las técnicas no supervisadas suelen utilizarse en los pasos de preprocesamiento, como el análisis de las distribuciones de anchor boxes o la agrupación de características del conjunto de datos. A continuación se muestra un ejemplo sencillo que utiliza sklearn para realizar una agrupación 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 aprendizaje profundo (DL) moderno integra cada vez más principios no supervisados. Técnicas como el aprendizaje autosupervisado (SSL) permiten a los modelos generar sus propias señales de supervisión a partir de los datos. Por ejemplo, en el procesamiento del lenguaje natural (NLP), modelos como GPT-4 se preentrenan con grandes cantidades de texto para predecir la siguiente palabra de una frase y, de este modo, aprenden la estructura del lenguaje sin etiquetas explícitas.

Del mismo modo, en la visión por computador (CV), los autocodificadores se utilizan para aprender codificaciones eficientes de los datos. Estas redes neuronales comprimen las imágenes en una representación de menor dimensionalidad y, después, las reconstruyen. Este proceso enseña a la red cuáles son las características más relevantes de los datos visuales, lo que resulta útil para tareas como la reducción de ruido en imágenes y el modelado generativo.

Para quienes buscan gestionar conjuntos de datos para el entrenamiento, la Ultralytics Platform ofrece herramientas para visualizar las distribuciones de los datos, lo que puede ayudar a identificar agrupaciones 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 para crear soluciones de IA robustas.