Aprendizado não supervisionado
No aprendizado não supervisionado, o modelo aprende a partir de dados de treinamento que não incluem as soluções desejadas — não há rótulos.
O modelo precisa descobrir padrões e estruturas nos dados por conta própria.
Aplicações principais:
- Agrupamento (Clustering) — agrupar dados semelhantes
- Detecção de anomalias — identificar dados que fogem do padrão
- Redução de dimensionalidade — simplificar dados complexos para visualização
Exemplos para fixar
Exemplo 1 (Agrupamento): Uma empresa de marketing tem milhões de clientes, mas nenhuma categorização. O aprendizado não supervisionado analisa os dados (compras, frequência, valor gasto) e descobre naturalmente que existem 4 grupos de clientes com comportamentos distintos — sem que ninguém tenha definido esses grupos previamente.
Exemplo 2 (Detecção de anomalias): Um sistema monitora o tráfego de rede de uma empresa. Sem rótulos de "normal" ou "anomalia", o modelo não supervisionado aprende o padrão típico de tráfego e identifica automaticamente quando algo foge do normal — potencial indicador de ataque cibernético.
Exemplo 3 (Diferença-chave): No supervisionado, você diz ao modelo "isto é spam, isto não é" (tem rótulos). No não supervisionado, você diz ao modelo "aqui estão os e-mails — descubra padrões" (sem rótulos). A diferença fundamental é a presença ou ausência de rótulos nos dados de treinamento.