Machine learning non supervisionato

Gli algoritmi di machine learning non supervisionato si basano sull'apprendimento automatico dai dati senza alcun aiuto da parte dell'uomo.

Questi algoritmi lavorano su grandi disponibilità di dati ( big data ) alla ricerca di schemi e collegamenti nascosti tra i dati.

A differenza del ML supervisionato, nel ML non supervisionato non c'è un dataset di training con esempi e risposte corrette già preparate dall'uomo. Nessuna guida e nessun insegnante.

Gli algoritmi di ML non supervisionato devono scoprire da sé l'esistenza di un eventuale modello nei dati.

Pertanto, sono molto più vicini al concetto di intelligenza artificiale di quanto non siano gli algoritmi supervisionati.

Esistono due tipologie di algoritmi di machine learning non supervisionato

• Clustering
  Questi algoritmi risolvono problemi di raggruppamento. Raggruppano i dati in base a particolari vicinanze. Ad esempio, analizzano la base dati dei clienti di un'azienda creando dei gruppi in base alle scelte di acquisto o altre caratteristiche comuni.
• Association
  Questi algoritmi risolvono problemi di associazione. Scandagliano i dati alla ricerca di una regola o di uno schema nascosto altrimenti non visibile a colpo d'occhio. Ad esempio, individuare una regola per individuare quali clienti sono potenziali acquirenti di un prodotto A e di un prodotto B.