Neprižiūrimo mokymosi metu modelis gauna duomenis be iš anksto nustatytų teisingų atsakymų ir pats ieško struktūrų. Tipiniai metodai: klasterizavimas, grupuojantis panašius įrašus, ir dimensijų mažinimas, sutraukiantis daug požymių į kelis svarbiausius. Organizacijos jį naudoja klientų segmentams atrasti ar neįprastiems sandoriams pastebėti; rastas grupes paskui turi interpretuoti srities ekspertai.
Agentai, srautai ir šablonai vienoje darbo srityje – nemokama 24 valandų demonstracinė versija.
Pradėti demonstracijąPrižiūrimo mokymosi metu modelis mokosi iš pavyzdžių, kurių teisingas atsakymas jau žinomas, pavyzdžiui, el. laiškų, pažymėtų „šlamštas“ arba „ne šlamštas“. Iš jų jis išveda taisykles, kaip klasifikuoti naujus, nematytus atvejus arba prognozuoti reikšmes. Tipinės užduotys – klasifikavimas ir regresija; didžioji dalis pastangų skiriama švariai pažymėtiems duomenims sukurti.
Klasterizavimas – neprižiūrimojo mokymosi metodas, kuris duomenų taškus suskirsto į grupes pagal panašumą be iš anksto apibrėžtų kategorijų. Jis atskleidžia dėsningumus, kurių niekas anksčiau nebuvo įvardijęs, pavyzdžiui, panašaus pirkimo elgesio klientų segmentus. Dirbant su tekstais klasterizavimas padeda šimtus klientų užklausų suskirstyti į temas, pavyzdžiui, pristatymas, sąskaitos ar skundai, ir parodo, kur sutelktas dėmesys.
K vidurkių metodas (k-means) yra mokymosi be priežiūros metodas, kuris duomenų taškus padalija į iš anksto nustatytą skaičių k grupių. Jis kiekvieną tašką priskiria artimiausiam grupės centrui ir tol perkelia šiuos centrus, kol priskyrimai beveik nebesikeičia. Metodas greitas ir lengvai suprantamas, bet reikalauja pagrįstai parinkti k ir kad požymiai būtų panašių mastelių. Pavyzdys: klientų grupavimas pagal pirkimo dažnumą ir krepšelio vertę.
Dimensijų mažinimas sumažina duomenų rinkinio požymių skaičių neprarandant esminės informacijos. Gerai žinomi metodai yra pagrindinių komponenčių analizė (PCA) bei t-SNE ir UMAP, dažnai naudojami vizualizacijai. Tai pagreitina skaičiavimus, sumažina persimokymo riziką ir palengvina duomenų suvokimą – pavyzdžiui, kai šimtai klientų požymių atvaizduojami dvimatėje diagramoje, kurioje panašūs klientai išsidėsto arti vienas kito.
