Introducción al aprendizaje automático no supervisado
¿Alguna vez has pensado en cómo un niño es capaz de distinguir entre manzanas y naranjas cuando no sabe cuáles son en realidad, cómo saben pero, según el color y el tamaño, puede separarlos en 2 grupos sin ninguna información previa? ¿Podemos esperar la misma segmentación que un niño de las máquinas si se le da la información de color y tamaño? ¡Veamos cómo podemos hacer eso! En este tema, vamos a aprender sobre el aprendizaje automático no supervisado.
"Aprendizaje automático", como el término sugiere, estamos enseñando máquinas para realizar tareas similares a las de los humanos y cómo aprenden los humanos, ya sea de alguien o por observación. Igual que los humanos, la forma en que la máquina aprende.
El aprendizaje automático se puede dividir en 3 partes: -
- Aprendizaje supervisado
- Aprendizaje sin supervisión
- Aprendizaje reforzado
Tipos de aprendizaje automático
El aprendizaje de refuerzo es un aprendizaje basado en agentes que implica recompensa y castigo por las acciones tomadas por un agente. El objetivo final es maximizar la recompensa general en el proceso de aprendizaje del entorno.
Cuando tiene datos de entrada-salida, en resumen, datos etiquetados, por ejemplo, la altura y el peso dados para determinar si una persona es hombre o mujer puede considerarse una tarea de aprendizaje supervisada (de alguien en el caso de los humanos).
Pero en muchos escenarios de la vida real, estos datos etiquetados o anotados no siempre están disponibles. Muchas veces enfrentamos problemas de segmentación de objetos en función de sus propiedades que no se mencionan explícitamente. ¿Cómo resolver este problema? Bueno, el aprendizaje no supervisado es la solución.
Wikipedia dice que el aprendizaje no supervisado es un tipo de aprendizaje hebbiano autoorganizado que ayuda a encontrar patrones previamente desconocidos en un conjunto de datos sin etiquetas preexistentes. En el aprendizaje no supervisado, no tenemos ninguna información de etiqueta, pero aun así, queremos obtener información de los datos en función de sus diferentes propiedades.
Tipos de aprendizaje automático no supervisado
Las tareas de aprendizaje sin supervisión se pueden dividir ampliamente en 3 categorías:
- Asociación de minería de reglas
- Agrupamiento
- Sistema de recomendación
1. Minería de reglas de asociación
Cuando tengamos datos transaccionales para algo, puede ser para productos vendidos o cualquier dato transaccional para eso, quiero saber, ¿hay alguna relación oculta entre el comprador y los productos o producto a producto, de modo que pueda aprovechar esta información de alguna manera? para aumentar mis ventas Extraer estas relaciones es el núcleo de la Minería de reglas de asociación. Podemos utilizar los algoritmos de crecimiento AIS, SETM, Apriori, FP para extraer relaciones.
2. Agrupación
La agrupación se puede hacer con cualquier información donde no tengamos la clase o la información de la etiqueta. Queremos agrupar los datos de manera que las observaciones con propiedades similares pertenezcan al mismo grupo / grupo y la distancia entre grupos sea máxima. Mientras que la distancia dentro del grupo debe ser mínima. Podemos agrupar los datos del votante para conocer la opinión sobre el gobierno, o los productos agrupados, en función de sus características y uso. Segmente la población en función de las características de ingresos o use la agrupación en ventas y marketing.
Podemos usar K-Means, K-Means ++, K-Medoids, Fuzzy C-means (FCM),
Expectation-Maximization (EM), Agglomerative Clustering, DBSCAN, tipos de clústeres jerárquicos como enlace único, enlace completo, enlace mediano, algoritmos de método de Ward para el agrupamiento.
3. Sistema de recomendación
El Sistema de recomendación es básicamente una extensión de la minería de reglas de asociación en el sentido, en ARM estamos extrayendo relaciones y en el Sistema de recomendación, estamos usando estas relaciones para recomendar algo que tiene mayores posibilidades de aceptación por parte del usuario final. Los sistemas de recomendación han ganado popularidad después de que Netflix anunció un gran premio de US $ 1, 000, 000 en 2009.
Recomendación Systems trabaja en datos transaccionales, ya sea transacción financiera, comercio electrónico o transacción de tienda de comestibles. Hoy en día, los jugadores gigantes en la industria del comercio electrónico atraen a los clientes al hacer una recomendación personalizada para cada usuario en función de su historial de compras anterior y datos de compra de comportamiento similar de otros usuarios.
Los métodos para desarrollar sistemas de recomendación se pueden dividir ampliamente en filtrado colaborativo y filtrado basado en contenido. En el filtrado colaborativo nuevamente, tenemos el filtrado colaborativo usuario-usuario y el filtrado colaborativo ítem-ítem que son enfoques basados en memoria y la factorización matricial y la descomposición del valor singular (SVD) son enfoques basados en modelos.
Aplicaciones del aprendizaje no supervisado
Como los datos mundiales aumentan enormemente todos los días, el aprendizaje no supervisado tiene muchas aplicaciones. Siempre estamos creando datos mediante el uso de plataformas de redes sociales o algún contenido de video en YouTube y muchas veces ni siquiera lo hacemos deliberadamente. Todos estos datos no están estructurados y etiquetarlos para tareas de aprendizaje supervisadas será agotador y costoso.
Las siguientes son algunas aplicaciones interesantes de aprendizaje automático no supervisado.
- Tienda de comestibles o tienda / mercado de comercio electrónico: Extraiga las reglas de asociación de los datos transaccionales de los clientes y las recomendaciones para que los consumidores compren productos.
- Plataforma de redes sociales: extraiga relaciones con diferentes usuarios para sugerir productos o servicios. Recomendar nuevas personas para la conexión social.
- Servicios: recomendaciones de servicios de viaje, una recomendación de casas para alquilar o servicios de emparejamiento.
- Banca: Clúster de clientes en función de sus transacciones financieras. Cluster de transacciones fraudulentas para la detección de fraudes.
- Política: Agrupe las opiniones de los votantes sobre las posibilidades de ganar para un partido en particular.
- Visualización de datos: con la agrupación y la incrustación de vecinos estocásticos distribuidos en t (t-SNE) podemos visualizar datos de alta dimensión. Además, esto se puede usar para reducir la dimensionalidad.
- Entretenimiento: recomendaciones para películas, música, como lo están haciendo Netflix y Amazon.
- Segmentación de imagen: agrupa las porciones de imágenes en función de los valores de píxel más cercanos.
- Contenido: periódicos personalizados, recomendaciones de páginas web, aplicaciones de aprendizaje electrónico y filtros de correo electrónico.
- Descubrimiento estructural: con el agrupamiento, podemos descubrir cualquier estructura oculta en los datos. Agrupe los datos de Twitter para el análisis de sentimientos.
Conclusión
El aprendizaje automático no supervisado no es demasiado cuantificable, pero puede resolver muchos problemas en los que los algoritmos supervisados fallan. Hay muchas aplicaciones para el aprendizaje no supervisado en muchos dominios donde tenemos datos no estructurados y no etiquetados. Podemos utilizar técnicas de aprendizaje sin supervisión para enseñar a nuestras máquinas a hacer un mejor trabajo que nosotros. En los últimos años, las máquinas han superado a los humanos en términos de tareas que los humanos consideran resueltas durante siglos. Espero que con este artículo haya entendido qué es y cómo se pueden utilizar técnicas de aprendizaje automático sin supervisión para resolver problemas del mundo real.
Artículos recomendados
Esta es una guía para el aprendizaje automático no supervisado. Aquí discutimos los tipos de aprendizaje automático y los tipos de aprendizaje automático no supervisado junto con sus aplicaciones. También puede echar un vistazo a los siguientes artículos para obtener más información:
- Algoritmos de aprendizaje automático
- ¿Qué es el aprendizaje automático?
- Introducción al aprendizaje automático
- Herramientas de aprendizaje automático
- Agrupación en Machine Learning
- Aprendizaje automático de hiperparámetros
- Algoritmo de agrupamiento jerárquico
- Agrupación jerárquica | Agrupamiento Aglomerativo y Divisivo
- Las 8 etapas principales del ciclo de vida del aprendizaje automático