Tidak ada yang memberi tahu seorang anak bunyi mana yang termasuk ke bahasa mana sebelum mereka mulai mengelompokkannya. Pembelajaran tanpa pengawasan bekerja dengan cara yang sama: algoritma menerima data tanpa label dan harus menemukan strukturnya sendiri. Tidak ada jawaban yang benar untuk diperiksa, hanya pola yang muncul dari bentuk data itu sendiri.

Pengelompokan (clustering) adalah contoh klasik. Seorang pengecer mungkin memasukkan catatan pembelian selama setahun ke dalam algoritma pengelompokan dan menemukan lima kelompok pelanggan berbeda yang tidak pernah mereka definisikan sebelumnya. Pengurangan dimensi adalah contoh lain: mengompres ratusan pengukuran ke dalam peta dua dimensi yang mempertahankan hubungan yang bermakna.

Di situlah ia mendapatkan penghasilannya.

• Segmentasi pelanggan untuk pemasaran
• Deteksi anomali dalam lalu lintas jaringan atau manufaktur.
• Penemuan topik dalam koleksi dokumen besar
• Melatih representasi terlebih dahulu untuk tugas-tugas terawasi selanjutnya.

Ketiadaan label merupakan kebebasan sekaligus beban. Tanpa data acuan yang pasti, evaluasi hasil bersifat subjektif dan seringkali membutuhkan campur tangan manusia untuk menafsirkan apakah pengelompokan tersebut masuk akal. Namun, ketika pemberian label tidak memungkinkan atau terlalu mahal, metode tanpa pengawasan adalah satu-satunya cara untuk melihat apa yang disembunyikan oleh data.