Machine Learning non supervisionato

Il Machine Learning non supervisionato ( unsupervised ML ) è un sistema di apprendimento automatico basato su una serie di esempi non etichettati.

Si fornisce alla macchina un database di dati. L'algoritmo ML unsupervised analizza i dati ed eventualmente trova un criterio di classificazione. E' la macchina a trovare le etichette (classi) da assegnare agli esempi.

Come funziona

Nel sistema viene inserito in input un dataset di esempi di training set. Ciascun esempio è descritto nelle caratteristiche principali ma non è classificato dal progettista.

Pertanto, nel ML unsupervised il sistema non ha esempi di riferimento ( golden data ) che lo aiutano nel processo di addestramento, né conosce le classi o le categorie in cui dovrà classificare gli esempi.

Esempio. Il sistema riceve in input un dataset di addestramento ( training set ) con le caratteristiche di quattro specie di fiori ( lunghezza, larghezza del petalo ). Tuttavia, in ciascun esempio non è indicata la specie del fiore.

L'algoritmo genera autonomamente un modello di classificazione in base alle caratteristiche in comune, dati simili, schemi o regolarità che eventualmente rileva negli esempi del training set.

Le principali tipologie di machine learning unsupervised sono

• Clustering
  • DBSCAN
  • K-means
  • Hidden Markov Model
  • Agglomerative
  • Fuzzy C-Means
  • Mean shift
• Anomaly detection
  • k-Nearest-Neighbours
  • Bayesian belief network
  • Decision tree
  • Support Vector Machine
• Association
  • Bayesian belief network
  • Decision tree
  • Neural networks

Altri algoritmi di pattern search (Apriori, Eclat, FP-Growth) e algoritmi generici (T-Sne, PCA, LSA, SVD, LDA).