04·Zastosowania i granice

Wprowadzenie

Uczenie nienadzorowane bez etykiet daje ogromną elastyczność — stosujemy je do segmentacji klientów, wykrywania anomalii, grupowania dokumentów, kompresji obrazów, analizy genów i odkrywania społeczności w grafach. Cena tej elastyczności to brak prawdy referencyjnej: nie ma "accuracy", którą wpiszesz do raportu. W tej lekcji zobaczysz najczęstsze realne zastosowania k-means, hierarchical i PCA, poznasz miary wewnętrzne (silhouette, Davies-Bouldin, Calinski-Harabasz) i zewnętrzne (ARI, NMI), nauczysz się oceniać stabilność grupowań przez bootstrap, oraz zrozumiesz kiedy unsupervised learning po prostu NIE jest właściwym narzędziem — bo dane nie mają struktury, są zbyt zaszumione, lub problem wymaga predykcji a nie eksploracji.