La aplicación de una empresa debe agrupar automáticamente clientes y productos similares basándose en atributos, sin resultados etiquetados. ¿Qué enfoque de machine learning debería usar la empresa?

El aprendizaje no supervisado es el enfoque correcto porque se utiliza para encontrar patrones y estructuras ocultas en datos sin etiquetas. En este escenario, la empresa necesita agrupar clientes y productos similares basándose en atributos, sin tener resultados predefinidos o "etiquetados" para entrenar el modelo. El clustering (agrupamiento) es una técnica común de aprendizaje no supervisado que se ajusta perfectamente a este requisito. El aprendizaje supervisado no es adecuado porque requiere datos de entrenamiento con etiquetas (es decir, la respuesta correcta para cada ejemplo), lo cual no está disponible aquí. El aprendizaje por refuerzo se utiliza para entrenar agentes a tomar decisiones en un entorno para maximizar una recompensa, lo cual no es el objetivo. El aprendizaje semi-supervisado utiliza una combinación de datos etiquetados y no etiquetados, pero el problema especifica que no hay resultados etiquetados.