El entrenamiento no supervisado (unsupervised learning en inglés) es un tipo de aprendizaje automático en el que un modelo de machine learning se entrena para encontrar patrones o estructuras en los datos de entrada sin la ayuda de etiquetas o respuestas previas.

A diferencia del entrenamiento supervisado, en el que el modelo se entrena con ejemplos etiquetados que indican las respuestas correctas, en el entrenamiento no supervisado el modelo debe encontrar patrones por sí mismo. Este enfoque es útil en situaciones en las que no hay etiquetas disponibles o cuando no se conocen las respuestas correctas.

Existen varios algoritmos de entrenamiento no supervisado que se utilizan en el aprendizaje automático, como el clustering, la reducción de la dimensionalidad y la detección de anomalías.

El clustering es un algoritmo de agrupamiento que divide los datos en grupos o clusters según la similitud entre ellos, lo que permite identificar patrones o estructuras en los datos. Un ejemplo típico de modelo de clustering son los Mapas Auto-Organizados (SOM).

La reducción de la dimensionalidad es un proceso que reduce la cantidad de variables o características de los datos, lo que puede ayudar a visualizar y analizar los datos de manera más eficiente.

La detección de anomalías es un proceso que busca valores atípicos o excepcionales en los datos, lo que puede ser útil en la detección de fraudes o errores en los datos.