Neuzraudzītajā mācīšanā modelis saņem datus bez iepriekš definētām pareizajām atbildēm un pats meklē struktūras. Tipiskas metodes ir klasterizācija, kas grupē līdzīgus ierakstus, un dimensiju samazināšana, kas daudzas pazīmes sasaista dažās būtiskās. Organizācijas to izmanto, lai atklātu klientu segmentus vai pamanītu neparastus darījumus; atrastās grupas pēc tam jāinterpretē jomas ekspertiem.
Uzraudzītajā mācīšanā modelis mācās no piemēriem, kuriem pareizā atbilde jau ir zināma, piemēram, e-pastiem, kas marķēti kā „surogātpasts” vai „nav surogātpasts”. No tiem tas atvasina noteikumus, lai klasificētu jaunus, neredzētus gadījumus vai prognozētu vērtības. Tipiski uzdevumi ir klasifikācija un regresija; lielākā daļa pūļu tiek veltīta tīri marķētu datu izveidei.
Klasterizācija ir nepārraudzītas mācīšanās metode, kas sadala datu punktus grupās pēc to līdzības bez iepriekš noteiktām kategorijām. Tā atklāj modeļus, kurus neviens iepriekš nav nosaucis, – piemēram, klientu segmentus ar līdzīgu pirkšanas uzvedību. Tekstu gadījumā klasterizācija palīdz sakārtot simtiem klientu pieprasījumu tēmās, piemēram, piegāde, rēķini vai sūdzības, un parāda, kur ir uzsvars.
K-vidējo metode (k-means) ir mācīšanās bez uzraudzības metode, kas datu punktus sadala iepriekš noteiktā skaitā k grupu. Tā katru punktu piešķir tuvākajam grupas centram un turpina pārvietot šos centrus, līdz piešķīrumi gandrīz vairs nemainās. Metode ir ātra un viegli saprotama, taču prasa saprātīgu k izvēli un salīdzināma mēroga pazīmes. Piemērs: klientu grupēšana pēc pirkumu biežuma un groza vērtības.
Dimensiju samazināšana mazina datu kopas pazīmju skaitu, nezaudējot būtisko informāciju. Plaši pazīstamas metodes ir galveno komponentu analīze (PCA), kā arī t-SNE un UMAP, ko bieži izmanto vizualizācijai. Tā paātrina aprēķinus, mazina pārmācīšanās risku un padara datus vieglāk aptveramus — piemēram, ja simtiem klientu atribūtu tiek attēloti divdimensiju diagrammā, kurā līdzīgi klienti atrodas tuvu cits citam.
