W uczeniu nienadzorowanym model otrzymuje dane bez z góry zdefiniowanych poprawnych odpowiedzi i samodzielnie szuka struktur. Typowe metody to klasteryzacja, która grupuje podobne rekordy, oraz redukcja wymiarowości, która zagęszcza wiele cech do kilku zasadniczych. Organizacje stosują je do odkrywania segmentów klientów lub wykrywania nietypowych transakcji; znalezione grupy muszą następnie zinterpretować eksperci dziedzinowi.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoW uczeniu nadzorowanym model uczy się na przykładach, dla których poprawna odpowiedź jest już znana, na przykład na e-mailach oznaczonych jako „spam” lub „nie spam”. Na tej podstawie wyprowadza reguły do klasyfikowania nowych, nieznanych przypadków lub przewidywania wartości. Typowe zadania to klasyfikacja i regresja; większość wysiłku pochłania przygotowanie starannie oznaczonych danych.
Klastrowanie to metoda uczenia nienadzorowanego, która dzieli punkty danych na grupy na podstawie ich podobieństwa, bez zdefiniowanych wcześniej kategorii. Ujawnia wzorce, których nikt wcześniej nie nazwał – na przykład segmenty klientów o podobnych zachowaniach zakupowych. W przypadku tekstów klastrowanie pomaga posortować setki zapytań klientów według tematów, takich jak dostawa, fakturowanie czy reklamacje, i pokazuje, gdzie leży punkt ciężkości.
K-średnich (k-means) to metoda uczenia nienadzorowanego, która dzieli punkty danych na z góry ustaloną liczbę k grup. Przypisuje każdy punkt do najbliższego środka grupy i przesuwa te środki tak długo, aż przypisania prawie przestaną się zmieniać. Metoda jest szybka i łatwa do zrozumienia, ale wymaga rozsądnego doboru k oraz cech w porównywalnych skalach. Przykład: grupowanie klientów według częstotliwości zakupów i wartości koszyka.
Redukcja wymiarowości zmniejsza liczbę cech w zbiorze danych bez utraty istotnych informacji. Znane metody to analiza głównych składowych (PCA) oraz t-SNE i UMAP, często używane do wizualizacji. Przyspiesza obliczenia, zmniejsza ryzyko przeuczenia i ułatwia zrozumienie danych – na przykład gdy setki atrybutów klientów zostają zmapowane na dwuwymiarowy wykres, na którym podobni klienci leżą blisko siebie.
