Juhendamata õppes saab mudel andmeid ilma etteantud õigete vastusteta ja otsib ise struktuure. Tüüpilised meetodid on klasterdamine, mis rühmitab sarnased kirjed, ja mõõtmelisuse vähendamine, mis tihendab paljud tunnused mõneks põhiliseks. Organisatsioonid kasutavad seda kliendisegmentide avastamiseks või ebatavaliste tehingute märkamiseks; leitud rühmi peavad seejärel tõlgendama valdkonnaeksperdid.
Juhendatud õppes õpib mudel näidetest, mille õige vastus on juba teada, näiteks e-kirjadest, mis on märgitud „rämpspost“ või „mitte rämpspost“. Nende põhjal tuletab ta reeglid uute, nägemata juhtumite klassifitseerimiseks või väärtuste ennustamiseks. Tüüpilised ülesanded on klassifitseerimine ja regressioon; suurem osa vaevast läheb puhtalt märgendatud andmete loomisele.
Klasterdamine on juhendamata õppe meetod, mis jagab andmepunktid nende sarnasuse põhjal rühmadesse ilma eelnevalt määratud kategooriateta. See toob esile mustrid, mida keegi pole varem nimetanud – näiteks sarnase ostukäitumisega kliendisegmendid. Tekstide puhul aitab klasterdamine sorteerida sadu kliendipäringuid teemadesse, nagu tarne, arveldamine või kaebused, ja näitab, kus on rõhuasetus.
K-keskmiste meetod (k-means) on juhendamata õppe meetod, mis jagab andmepunktid ettemääratud arvuks k rühmaks. See määrab iga punkti lähimasse rühma keskpunkti ja liigutab neid keskpunkte seni, kuni jaotused peaaegu enam ei muutu. Meetod on kiire ja lihtsasti mõistetav, kuid nõuab k mõistlikku valikut ja võrreldavas skaalas tunnuseid. Näide: klientide rühmitamine ostusageduse ja ostukorvi väärtuse järgi.
Dimensionaalsuse vähendamine vähendab andmehulga tunnuste arvu, kaotamata olulist infot. Tuntud meetodid on peakomponentide analüüs (PCA) ning t-SNE ja UMAP, mida kasutatakse sageli visualiseerimiseks. See kiirendab arvutusi, vähendab ülesobitamise riski ja muudab andmed paremini mõistetavaks – näiteks kui sadu kliendi tunnuseid kujutatakse kahemõõtmelisel diagrammil, kus sarnased kliendid asuvad üksteise lähedal.
