Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow, 3ª edición

Capítulo 9. Técnicas de aprendizaje no supervisado

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Aunque la mayoría de las aplicaciones actuales del aprendizaje automático se basan en el aprendizaje supervisado (y, en consecuencia, es ahí donde van a parar la mayoría de las inversiones), la inmensa mayoría de los datos disponibles no están etiquetados: tenemos las características de entrada X, pero no tenemos las etiquetas y. El informático Yann LeCun dijo célebremente que "si la inteligencia fuera un pastel, el aprendizaje no supervisado sería el pastel, el aprendizaje supervisado sería la guinda del pastel, y el aprendizaje de refuerzo sería la guinda del pastel". En otras palabras, existe un enorme potencial en el aprendizaje no supervisado al que apenas hemos empezado a hincar el diente.

Supongamos que quieres crear un sistema que haga unas cuantas fotos de cada artículo de una cadena de producción y detecte qué artículos son defectuosos. Puedes crear con bastante facilidad un sistema que tome fotos automáticamente, y esto podría darte miles de fotos cada día. Así podrás construir un conjunto de datos razonablemente grande en sólo unas semanas. Pero espera, ¡no hay etiquetas! Si quieres entrenar un clasificador binario normal que prediga si un objeto es defectuoso o no, tendrás que etiquetar cada foto como "defectuosa" o "normal". Por lo general, esto requerirá que expertos humanos se sienten y revisen manualmente ...