Pri neriadenom učení model dostane dáta bez vopred daných správnych odpovedí a sám hľadá štruktúry. Typickými metódami sú zhlukovanie, ktoré zoskupuje podobné záznamy, a redukcia dimenzionality, ktorá zhustí mnoho príznakov do niekoľkých podstatných. Organizácie ju využívajú na objavovanie zákazníckych segmentov alebo odhaľovanie nezvyčajných transakcií; nájdené skupiny musia následne interpretovať odborníci z danej oblasti.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demoPri riadenom učení sa model učí z príkladov, pri ktorých je správna odpoveď už známa, napríklad e-maily označené ako „spam“ alebo „nie spam“. Z nich odvodzuje pravidlá na klasifikáciu nových, nevidených prípadov alebo na predpovedanie hodnôt. Typickými úlohami sú klasifikácia a regresia; väčšina úsilia sa vynakladá na vytvorenie čisto označených dát.
Zhlukovanie (clustering) je metóda učenia bez učiteľa, ktorá rozdeľuje dátové body do skupín podľa ich podobnosti, bez vopred definovaných kategórií. Odhaľuje vzory, ktoré predtým nikto nepomenoval – napríklad segmenty zákazníkov s podobným nákupným správaním. Pri textoch pomáha zhlukovanie roztriediť stovky dopytov zákazníkov do tém, ako je doručenie, fakturácia alebo reklamácie, a ukazuje, kde je ťažisko.
K-means je metóda učenia bez učiteľa, ktorá rozdeľuje dátové body do vopred stanoveného počtu k skupín. Každý bod priradí k najbližšiemu stredu skupiny a tieto stredy posúva dovtedy, kým sa priradenia takmer nemenia. Metóda je rýchla a ľahko pochopiteľná, vyžaduje však rozumnú voľbu k a znaky v porovnateľných mierkach. Príklad: zoskupenie zákazníkov podľa frekvencie nákupov a hodnoty košíka.
Redukcia dimenzionality znižuje počet znakov v súbore údajov bez straty podstatných informácií. Medzi známe metódy patrí analýza hlavných komponentov (PCA) a tiež t-SNE a UMAP, ktoré sa často používajú na vizualizáciu. Urýchľuje výpočty, znižuje riziko preučenia a uľahčuje pochopenie údajov – napríklad keď sa stovky atribútov zákazníkov zobrazia na dvojrozmernom grafe, kde sú podobní zákazníci blízko seba.
