Kod nenadziranog učenja model prima podatke bez unaprijed zadanih točnih odgovora i sam traži strukture. Tipične metode su klasteriranje, koje grupira slične zapise, i smanjenje dimenzionalnosti, koje mnogo značajki sažima u nekoliko bitnih. Organizacije ga koriste za otkrivanje segmenata klijenata ili uočavanje neobičnih transakcija; pronađene skupine zatim moraju protumačiti stručnjaci za to područje.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoKod nadziranog učenja model uči iz primjera za koje je točan odgovor već poznat, primjerice e-poruka označenih kao „neželjena pošta“ ili „nije neželjena pošta“. Iz njih izvodi pravila za klasifikaciju novih, nevidljivih slučajeva ili za predviđanje vrijednosti. Tipični zadaci su klasifikacija i regresija; najveći dio truda odlazi na izradu čisto označenih podataka.
Klasteriranje je metoda nenadziranog učenja koja dijeli podatkovne točke u skupine prema njihovoj sličnosti, bez unaprijed definiranih kategorija. Otkriva obrasce koje nitko prije nije imenovao – primjerice segmente kupaca sa sličnim kupovnim ponašanjem. Kod tekstova klasteriranje pomaže razvrstati stotine upita kupaca u teme kao što su isporuka, naplata ili pritužbe i pokazuje gdje je težište.
K-means je metoda nenadziranog učenja koja podatkovne točke dijeli u unaprijed zadan broj k skupina. Svaku točku dodjeljuje najbližem središtu skupine i neprestano pomiče ta središta dok se dodjele jedva mijenjaju. Metoda je brza i lako razumljiva, ali zahtijeva razuman odabir k i obilježja na usporedivim ljestvicama. Primjer: grupiranje klijenata prema učestalosti kupnje i vrijednosti košarice.
Smanjenje dimenzionalnosti smanjuje broj obilježja u skupu podataka bez gubitka bitnih informacija. Poznate metode uključuju analizu glavnih komponenti (PCA) te t-SNE i UMAP, koji se često koriste za vizualizaciju. Ubrzava izračune, smanjuje rizik od pretreniranosti i olakšava razumijevanje podataka – primjerice kada se stotine atributa klijenata preslikaju na dvodimenzionalni grafikon na kojem su slični klijenti blizu jedni drugima.
