CONCLUSIONES


Uno de los principales problemas que se da en los métodos clásicos de extracción y recuperación de información, tanto en los métodos basados en patrones como por clasificación supervisada,  es la debilidad en la imposibilidad de ofrecer portabilidad, movilidad e independencia para el reconocimiento de patrones. Esto no pasaría si se usasen técnicas basadas en clustering o mapas autoorganizativos, donde siempre y cuando se seleccionen unos ejemplos iniciales representativos y con cierta redundancia, garantizan una extracción y recuperación robusta frente a cambios y eventos en el entorno.

 

Por último y por contraste con el aprendizaje supervisado, el no supervisado no pretende desvancar al primero, sino que ofrece un punto de vista diferente (mayor simplicidad del diseño de red, abaratamiento de costes, pero por contra aumenta las leyes de aprendizaje y el nivel de abstracción del sistema) donde en algunos dominios será más ventajoso utilizarlo incluso en situaciones en que es posible aplicar métodos de aprendizaje supervisado.