By Kernel Creativo 
Octubre 26, 2026 La mayor parte del aprendizaje automático que se menciona en las noticias es supervisado: se muestra a la máquina miles de ejemplos con la respuesta correcta, como fotos etiquetadas de gatos y perros. Pero etiquetar datos es caro y lento, y la mayoría de la información del mundo no tiene etiquetas. El aprendizaje no supervisado trabaja con esos datos tal cual.
En el aprendizaje no supervisado, el algoritmo recibe datos sin respuestas y debe descubrir por sí mismo alguna estructura: grupos, relaciones, patrones o rasgos importantes. No hay un maestro que corrija, solo una medida interna de qué tan bien se organiza la información.
El clustering divide los datos en grupos de elementos similares. El método más conocido, k-medias, coloca un número elegido de centros y asigna cada punto al más cercano, ajustando los centros repetidamente hasta estabilizarse. Se usa para segmentar clientes según su comportamiento, agrupar documentos por temas o identificar tipos de células en biología.
Los métodos jerárquicos construyen un árbol de grupos que se van fusionando, útil cuando no se sabe cuántos grupos hay. Los basados en densidad, como DBSCAN, identifican regiones densas de puntos y detectan formas irregulares y datos aislados considerados ruido.
Los datos modernos tienen cientos o miles de variables, lo que dificulta analizarlos. Técnicas como el análisis de componentes principales, o t-SNE y UMAP para visualización, proyectan los datos en pocas dimensiones conservando lo esencial. Permiten, por ejemplo, ver en un plano cómo se agrupan miles de genes o documentos.
Si el algoritmo aprende cómo es lo normal, puede señalar lo que se sale de la norma: transacciones sospechosas de fraude, fallos en máquinas industriales o intrusiones en una red. No necesita ejemplos previos de ataques, algo valioso cuando los eventos raros son pocos y cambiantes.
Muchas recomendaciones de películas, música o productos se basan en encontrar usuarios o elementos parecidos a partir de patrones de comportamiento, sin que nadie haya etiquetado qué le gusta a quién.
Una variante poderosa genera sus propias etiquetas a partir de los datos: por ejemplo, ocultar una palabra de una frase y pedir al modelo que la adivine, o una parte de una imagen. Es la base del entrenamiento de los grandes modelos de lenguaje, que aprenden de enormes cantidades de texto sin anotar.
Es difícil evaluar si los grupos encontrados tienen sentido, pues no hay una respuesta correcta con la que comparar. Los resultados dependen de la elección de la medida de similitud y de los parámetros, y a menudo requieren la interpretación de un experto del área.
Una tienda en línea con miles de clientes puede aplicar clustering a sus datos de compra, frecuencia y valor del pedido. El algoritmo podría revelar grupos como compradores ocasionales, clientes frecuentes de bajo gasto y clientes de alto valor. Con esa segmentación, el equipo de marketing adapta mensajes y ofertas a cada grupo. Nadie definió las categorías de antemano: surgieron de los datos, y los expertos de negocio les dieron nombres e interpretación.
El aprendizaje no supervisado muestra que los datos esconden estructura que se puede descubrir sin guía explícita. Es una herramienta clave para explorar y comprender información en un mundo lleno de datos sin etiquetar.
