El aprendizaje no supervisado es un paradigma del aprendizaje automático en el que los algoritmos aprenden patrones exclusivamente a partir de datos no etiquetados. “Durante la fase de aprendizaje, una red no supervisada intenta imitar los datos que se le proporcionan y utiliza el error en su salida imitada para corregirse a sí misma (es decir, ajustar sus pesos y sesgos). A veces, el error se expresa como una baja probabilidad de que ocurra la salida errónea.”[1]
Algunos de los algoritmos más comunes utilizados en el aprendizaje no supervisado incluyen la agrupación (clustering) y la detección de anomalías, “estas son técnicas utilizadas hoy en día por muchas empresas en aplicaciones comerciales importantes.”[2]
[1] Aprendizaje no supervisado, Wikipedia
[2] Andrew Ng, Universidad de Stanford & DeepLearning.AI, Especialización en Aprendizaje Automático, Curso 3, Semana 1