Aprendizado Não Supervisionado: Guia Completo com Tipos, Etapas e Aplicações

15) Defina aprendizado não supervisionado e sua diferença entre o aprendizado supervisionado. Em quais situações deve/pode ser aplicado?

Aprendizagem supervisionada: Neste tipo de aprendizagem existe um "professor" que avalia a resposta da rede ao padrão actual de inputs. As alterações dos pesos são calculadas de forma a que a resposta da rede tenda a coincidir com a do professor. É o tipo de aprendizagem normalmente utilizada para treinar feedforward networks, além de que nos é relativamente fácil avaliar o desempenho da rede para um determinado estado do nosso sistema e, consequentemente, implementar um "professor", sendo aquela que vamos usar. Aprendizagem não supervisionada: Nesta forma de aprendizagem não existe "professor". A rede tem de descobrir sozinha relações, padrões, regularidades ou categorias nos dados que lhe vão sendo apresentados e codificá-las nas saídas.

16) Qual é o maior ramo de aplicação do aprendizado não supervisionado?

Mineração de dados

17) Quais são as etapas do processo de aprendizado não supervisionado?

1. Seleção de atributos
2. Medida de proximidade
3. Critério de agrupamento
4. Algoritmo de agrupamento
5. Verificação dos resultados
6. Interpretação dos resultados

18) Quais os principais tipos de clusters?

• Clusters compactos
• Clusters alongados
• Clusters esféricos

19) Defina medidas de dissimilaridade e medidas de similaridades. Apresente 2 exemplos de cada.

Medidas de Dissimilaridade:

• Métrica lp ponderada
• Métrica Norma l∞ ponderada
• Métrica l2 ponderada (Mahalanobis)
• Métrica lp especial (Manhattan)
• Distância de Hamming

Medidas de Similaridade:

• Produto interno (inner)
• Medida de Tanimoto

20) Descreva o funcionamento dos algoritmos de clusterização sequenciais.

São algoritmos diretos e rápidos. Geralmente, todos os vetores de características são apresentados ao algoritmo uma ou várias vezes. O resultado final geralmente depende da ordem de apresentação dos vetores de características.

21) Descreva o funcionamento dos algoritmos de clusterização hierárquicos.

Os algoritmos de clusterização hierárquica pode ser divididos em 2 subcategorias:

Aglomerativos:

• Produzem uma sequência de agrupamentos com um número decrescente de clusters a cada passo.
• Os agrupamentos produzidos em cada passo resultam da fusão de dois clusters em um.

Divisivos:

• Atuam na direção oposta, isto é, eles produzem uma sequência de agrupamentos com um número crescente de clusters a cada passo.
• Os agrupamentos produzidos em cada passo resultam da partição de um único cluster em dois.