Niemand erklärt einem Kind, welche Laute zu welcher Sprache gehören, bevor es anfängt, sie zu sortieren. Unüberwachtes Lernen funktioniert genauso: Der Algorithmus erhält Daten ohne Beschriftungen und muss selbstständig Strukturen erkennen. Es gibt keine richtige Antwort, mit der man vergleichen könnte, sondern nur Muster, die sich aus der Struktur der Daten selbst ergeben.

Clustering ist ein klassisches Beispiel. Ein Einzelhändler könnte die Kaufdaten eines ganzen Jahres in einen Clustering-Algorithmus eingeben und fünf unterschiedliche Kundengruppen entdecken, die er zuvor nicht definiert hatte. Dimensionsreduktion ist ein weiteres Beispiel: Hunderte von Messwerten werden in eine zweidimensionale Karte komprimiert, wobei aussagekräftige Zusammenhänge erhalten bleiben.

Wo es seinen Lebensunterhalt verdient.

• Kundensegmentierung für das Marketing
• Anomalieerkennung im Netzwerkverkehr oder in der Fertigung
• Themenfindung in großen Dokumentensammlungen
• Vortraining von Repräsentationen für spätere überwachte Aufgaben

Das Fehlen von Labels ist sowohl Freiheit als auch Belastung. Ohne Ground Truth ist die Bewertung der Ergebnisse subjektiv und erfordert oft eine menschliche Interpretation, um festzustellen, ob die Cluster sinnvoll sind. Sind Labels jedoch unmöglich oder zu kostspielig, sind unüberwachte Methoden die einzige Möglichkeit, die verborgenen Informationen der Daten aufzudecken.