Pri nenadzorovanem učenju model prejme podatke brez vnaprej določenih pravilnih odgovorov in sam išče strukture. Tipični metodi sta gručenje, ki združuje podobne zapise, in zmanjševanje dimenzionalnosti, ki številne značilnice strne v nekaj bistvenih. Organizacije ga uporabljajo za odkrivanje segmentov strank ali opažanje nenavadnih transakcij; najdene skupine morajo nato razložiti strokovnjaki s področja.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevPri nadzorovanem učenju se model uči iz primerov, za katere je pravilen odgovor že znan, na primer e-pošte, označene kot „neželena“ ali „ni neželena“. Iz njih izpelje pravila za razvrščanje novih, še nevidenih primerov ali napovedovanje vrednosti. Tipični nalogi sta razvrščanje in regresija; večina truda gre v pripravo čisto označenih podatkov.
Gručenje (clustering) je metoda nenadzorovanega učenja, ki podatkovne točke na podlagi podobnosti razdeli v skupine brez vnaprej določenih kategorij. Razkrije vzorce, ki jih še nihče ni poimenoval – na primer segmente strank s podobnim nakupnim vedenjem. Pri besedilih gručenje pomaga razvrstiti na stotine povpraševanj strank v teme, kot so dostava, obračun ali pritožbe, in pokaže, kje je težišče.
K-voditelji (k-means) so metoda nenadzorovanega učenja, ki podatkovne točke razdeli v vnaprej določeno število k skupin. Vsako točko dodeli najbližjemu središču skupine in ta središča premika, dokler se dodelitve skoraj ne spreminjajo več. Metoda je hitra in lahko razumljiva, zahteva pa smiselno izbiro k in značilnosti na primerljivih merilih. Primer: razvrščanje strank po pogostosti nakupov in vrednosti košarice.
Zmanjševanje dimenzionalnosti zmanjša število značilnosti v podatkovni zbirki, ne da bi izgubili bistvene informacije. Znane metode so analiza glavnih komponent (PCA) ter t-SNE in UMAP, ki se pogosto uporabljata za vizualizacijo. Pospeši izračune, zmanjša tveganje čezmernega prilagajanja in podatke naredi bolj pregledne – na primer ko se na stotine lastnosti strank preslika na dvodimenzionalni grafikon, kjer so si podobne stranke blizu.
