A felügyelet nélküli tanulásban a modell előre meghatározott helyes válaszok nélküli adatokat kap, és maga keres bennük struktúrákat. Tipikus módszerek a klaszterezés, amely a hasonló rekordokat csoportosítja, és a dimenziócsökkentés, amely sok jellemzőt néhány lényegesre sűrít. A szervezetek ügyfélszegmensek felfedezésére vagy szokatlan tranzakciók kiszűrésére használják; a talált csoportokat ezután szakterületi szakértőknek kell értelmezniük.
Ügynökök, munkafolyamatok és sablonok egyetlen munkaterületen – ingyenes, 24 órás demó.
Demó indításaA felügyelt tanulásban a modell olyan példákból tanul, amelyekhez a helyes válasz már ismert, például „spam” vagy „nem spam” címkével ellátott e-mailekből. Ezekből szabályokat vezet le új, ismeretlen esetek osztályozásához vagy értékek előrejelzéséhez. Tipikus feladatok az osztályozás és a regresszió; az erőfeszítés nagy része a tisztán címkézett adatok előállítására megy el.
A klaszterezés felügyelet nélküli tanulási módszer, amely előre meghatározott kategóriák nélkül, hasonlóságuk alapján csoportokra osztja az adatpontokat. Olyan mintázatokat tár fel, amelyeket korábban senki sem nevezett meg – például hasonló vásárlási szokású ügyfélszegmenseket. Szövegek esetén a klaszterezés segít több száz ügyfélmegkeresést olyan témák szerint rendezni, mint a szállítás, a számlázás vagy a panaszok, és megmutatja, hol van a hangsúly.
A k-közép (k-means) felügyelet nélküli tanulási módszer, amely az adatpontokat előre meghatározott számú, k csoportra osztja. Minden pontot a legközelebbi csoportközépponthoz rendel, és addig mozgatja ezeket a középpontokat, amíg a hozzárendelések alig változnak. A módszer gyors és könnyen érthető, de értelmes k-választást és összehasonlítható skálájú jellemzőket igényel. Példa: ügyfelek csoportosítása a vásárlási gyakoriság és a kosárérték szerint.
A dimenziócsökkentés egy adathalmaz jellemzőinek számát csökkenti anélkül, hogy a lényeges információ elveszne. Ismert módszerei a főkomponens-elemzés (PCA), valamint a gyakran vizualizációra használt t-SNE és UMAP. Gyorsítja a számítást, csökkenti a túlillesztés kockázatát, és áttekinthetőbbé teszi az adatokat – például amikor ügyfelek több száz attribútumát egy kétdimenziós diagramra képezik le, ahol a hasonló ügyfelek közel kerülnek egymáshoz.
