Mientras que en el aprendizaje supervisado recibimos datos de entrada x que estan asociados a respuestas etiquetadas como correctas y, en el aprendizaje no supervisado recibimos sólo datos de entrada x que no estan asociados a ninguna etiqueta de salida.
Por tanto, en el aprendizaje no supervisado tratamos de encontrar alguna estructura, patrón o simplemente algo interesante en estos datos de salida.
Algoritmo de agrupamiento (clustering)
Coloca los datos sin etiquetar en diferentes grupos o clusteres.
Un algoritmo de agrupación podría ser usado para mostrar noticias o publicaciones similares a una por la que nos hemos interesado. El algoritmo debe detectar por si mismo cuales son los temas de los que buscar publicaciones similares.
Otro ejemplo de algortimo de agrupación podría consistir en tener los datos personales de los visitantes a una página web para intentar ver cuales son los tipos de perfiles que usualmente se interesan por nuestro contenido.
Detección de anomalías
Jupyter Notebook
Leonardo.ai
Herramienta online para la generación de imágenes con inteligencia artificial.
A continuación veremos algunas opciones de uso destacadas:
Generar imágenes a partir de nuestras propias imágenes
Primero debemos entrenar un modelo a partir del cual se generarán las imágenes
Train & Datasets → Seleccionamos un dataset existente o creamos uno nuevo. Si alguna imagen de las generadas anteriormente nos encaja en el perfil del modelo que estamos utilizando, podemos añadirlo aquí. →
- Seleccionamos las imágenes en las que se basará nuestro modelo. Es recomendable que estas imágenes no tengan fondo para que este no aparezca en el resultado final cuando las usemos.
- La propiedad Instance Prompt se refiere al nombre de instancia que utilizaremos para referenciar nuestro modelo cuando estemos generando una imagen que lo utilice.
Luego utilizaremos el modelo anterior para generar nuestra imagen
Finetuned Models → Yout models → Seleccionamos nuestro modelo → View → Generate with this model.