Definizione
L’Apprendimento Non Supervisionato è una tecnica di Machine Learning (ML) in cui un modello viene addestrato su dati non etichettati, ossia privi di risposte predefinite. L’obiettivo è individuare pattern, strutture o relazioni nei dati senza un’esplicita supervisione umana.
A differenza dell’apprendimento supervisionato, dove il modello apprende da esempi con output noti, nell’apprendimento non supervisionato il sistema deve autonomamente scoprire correlazioni e raggruppamenti nei dati.
Le principali categorie di tecniche di Unsupervised Learning includono:
- Clustering: Raggruppamento dei dati in insiemi omogenei in base a caratteristiche comuni
- Riduzione della dimensionalità: Tecniche per rappresentare i dati in uno spazio con meno dimensioni preservando le informazioni più rilevanti (PCA, t-SNE, UMAP).
- Apprendimento di rappresentazioni: Algoritmi come Autoencoder e modelli generativi (GAN, VAE) apprendono una rappresentazione compatta dei dati.
Applicazioni in medicina
- Clustering di pazienti per medicina personalizzata: L’apprendimento non supervisionato può raggruppare pazienti con caratteristiche simili (es. profili genetici, risposte ai trattamenti) per personalizzare le terapie.
- Apprendimento di rappresentazioni di immagini mediche: In molti casi potrebbe essere necessario apprendere una rappresentazione compatta dei dati, che spesso sono immagini o volumi di grosse dimensioni (es. TAC, RM), per poterli rendere gestibili e processabili da altri algoritmi (es. clustering).
