Glossário

Aprendizagem não supervisionada

O que é Aprendizagem não supervisionada?

Na aprendizagem não supervisionada, um modelo recebe dados sem respostas corretas predefinidas e procura estruturas por conta própria. Os métodos típicos são o clustering, que agrupa registos semelhantes, e a redução de dimensionalidade, que condensa muitas características em algumas essenciais. As organizações utilizam-na para descobrir segmentos de clientes ou detetar transações invulgares; os grupos encontrados têm depois de ser interpretados por especialistas da área.

Temas

Aprendizagem automática
Clustering
Base

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Aprendizagem supervisionada

Na aprendizagem supervisionada, um modelo aprende com exemplos cuja resposta correta já é conhecida, como e-mails etiquetados como «spam» ou «não spam». A partir deles, deduz regras para classificar casos novos e desconhecidos ou para prever valores. As tarefas típicas são a classificação e a regressão; a maior parte do esforço vai para a criação de dados corretamente etiquetados.

Aprendizagem automática
Training
+1

Clustering

O clustering é um método de aprendizagem não supervisionada que divide pontos de dados em grupos com base na sua semelhança, sem categorias predefinidas. Revela padrões que ninguém tinha identificado antes – por exemplo, segmentos de clientes com comportamentos de compra semelhantes. Com textos, o clustering ajuda a organizar centenas de pedidos de clientes por temas como entrega, faturação ou reclamações e mostra onde está o foco.

aprendizagem não supervisionada
agrupamento
+1

Modelo

Agrupamento K-means

O K-means é um método de aprendizagem não supervisionada que divide pontos de dados num número k de grupos predefinido. Atribui cada ponto ao centro de grupo mais próximo e continua a deslocar esses centros até as atribuições quase não mudarem. O método é rápido e fácil de compreender, mas exige uma escolha sensata de k e características em escalas comparáveis. Exemplo: agrupar clientes por frequência de compra e valor do cesto.

Clustering
Aprendizagem não supervisionada
+1

Modelo

Redução de dimensionalidade

A redução de dimensionalidade diminui o número de características de um conjunto de dados sem perder a informação essencial. Entre os métodos mais conhecidos estão a análise de componentes principais (PCA), bem como o t-SNE e o UMAP, frequentemente usados para visualização. Acelera os cálculos, reduz o risco de sobreajuste e torna os dados mais fáceis de compreender – por exemplo, quando centenas de atributos de clientes são projetados num gráfico bidimensional em que clientes semelhantes ficam próximos uns dos outros.

análise de dados
PCA
+1