# Aprendizaje No Supervisado Semestre 01, 2026 ## Aprendizaje Automático El aprendizaje automático permite que los sistemas aprendan patrones a partir de datos. Dependiendo de la información disponible, existen distintos tipos de aprendizaje. ## Tipos de Aprendizaje Según la presencia de una variable objetivo: * Aprendizaje supervisado * **Aprendizaje no supervisado** * Aprendizaje semi-supervisado ## Aprendizaje No Supervisado En el aprendizaje no supervisado no existen etiquetas. Los datos contienen únicamente: * Variables de entrada El objetivo es descubrir estructura oculta en los datos. ### Etiquetas No existe una variable respuesta. No hay una columna que indique la respuesta correcta. ### Variables de entrada Los datos contienen únicamente: * Edad * Ingresos * Gasto mensual Estas variables describen a cada observación. ### Ejemplo Ejemplo de datos de clientes: Edad | Ingresos | Gasto ---- | ---- | ---- 23 | 4500 | 1200 45 | 12000 | 3500 31 | 8000 | 2100 No existe una columna llamada “tipo de cliente”. ## Objetivo Responder preguntas como: * ¿Existen grupos naturales en los datos? * ¿Qué observaciones son similares? * ¿Hay patrones que no son evidentes a simple vista? ## Características Clave * No predice una variable objetivo * Es exploratorio * Ayuda a entender la estructura del conjunto de datos * Se usa frecuentemente antes del modelado supervisado ## Relación con el EDA El aprendizaje no supervisado está fuertemente relacionado con el EDA. Ambos buscan: * Entender los datos * Detectar patrones * Identificar comportamientos similares Muchas veces se usan de forma complementaria. ## Clustering El clustering es una técnica de aprendizaje no supervisado. Consiste en: * Agrupar observaciones similares * Formar grupos llamados clusters ## Idea General del Clustering Un buen clustering busca: * Alta similitud dentro del grupo * Baja similitud entre grupos No existen etiquetas correctas o incorrectas. ## Usos del Clustering Aplicaciones comunes: * Segmentación de clientes * Análisis de comportamiento * Exploración inicial de datos * Apoyo en la toma de decisiones ## Interpretación de los Grupos En clustering, los grupos deben ser interpretables. El analista debe: * Analizar las características de cada grupo * Dar significado a los clusters * Relacionarlos con el contexto del problema ## Importante * No siempre produce una única solución correcta * Depende de los datos y de las variables usadas * Es sensible a la escala y a los outliers La interpretación es clave.