Aprenentatge no supervisat[modifica]

L'aprenentatge no supervisat és un tipus d'aprenentatge automàtic que ajuda a trobar patrons desconeguts en bases de dades sense etiquetes prèvies. També se l'anomena autorganització i permet modelar densitats de probabilitat de les dades introduïdes. És una de les tres categories principals de l'aprenentatge automàtic, juntament amb l'aprenentatge supervisat i l'aprenentatge per reforç. També s'ha descrit l'aprenentatge semi-supervisat, com a hibridació de tècniques supervisades i no supervisades.

Dos dels mètodes principals d'aprenentatge no supervisat són l'anàlisi de components principals (ACP o PCA, en anglès) i l'agrupament (clustering, en anglès). L'anàlisi d'agrupament s'empra a l'aprenentatge no supervisat per agrupar, o segmentar, col.leccions de dades amb atributs compartits per tal d'extrapolar relacions algorísmiques. També es pot considerar com a branca de l'aprenentatge automàtic que agrupa dades no etiquetades, classificades o categoritzades. En comptes d'utilitzar algun tipus de retroalimentació o resposta, l'agrupament identifica trets comuns entre les dades i reacciona basasnt-se en l'absència o presència d'aquests trets comuns en cada nova dada. D'aquesta manera es poden detectar punts anòmals que no pertanyen a cap grup.

Una aplicació important de l'aprenentatge no supervisat és l'estimació de densitat en estadística, tot i que l'aprenentatge no supervisat inclou altres camps, com a l'anàlisi d'atributs a les dades. En contrast amb l'aprenentatge supervisat, que intenta inferir una distribució de probabilitats condicionada a l'etiqueta de les dades d'entrada, l'aprenentatge no supervisat intenta inferir una distribució de probabilitats a priori. Plantilla:Machine learning bar

Tipus[modifica]

Alguns dels algorismes més comuns d'aprenentatge no supervisat inclouen:

↑ Hastie, Trevor, Robert Tibshirani, Friedman, Jerome. The Elements of Statistical Learning: Data mining, Inference, and Prediction. New York: Springer, 2009, p. 485–586. ISBN 978-0-387-84857-0.

[1] Hastie, Trevor, Robert Tibshirani, Friedman, Jerome. The Elements of Statistical Learning: Data mining, Inference, and Prediction. New York: Springer, 2009, p. 485–586. ISBN 978-0-387-84857-0.

[1]