Niemand vertelt een kind welke klanken bij welke taal horen voordat het begint met het sorteren ervan. Ongecontroleerd leren werkt op dezelfde manier: het algoritme ontvangt gegevens zonder labels en moet zelf structuur vinden. Er is geen juist antwoord om te controleren, alleen patronen die voortkomen uit de structuur van de gegevens zelf.

Clustering is een klassiek voorbeeld. Een detailhandelaar kan bijvoorbeeld aankoopgegevens van een heel jaar invoeren in een clusteringalgoritme en zo vijf verschillende klantengroepen ontdekken die hij nooit eerder had gedefinieerd. Dimensionaliteitsreductie is een ander voorbeeld: het comprimeren van honderden metingen tot een tweedimensionale kaart die de betekenisvolle relaties behoudt.

Waar het zijn nut bewijst

• Klantsegmentatie voor marketing
• Anomaliedetectie in netwerkverkeer of productieprocessen
• Onderwerpen ontdekken in grote documentverzamelingen
• Voorbereidende representaties voor latere taken onder supervisie

Het ontbreken van labels biedt zowel vrijheid als een last. Zonder referentiegegevens is het evalueren van resultaten subjectief en is vaak een menselijke interpretatie nodig om te bepalen of de clusters logisch zijn. Toch zijn onbegeleide methoden de enige manier om te ontdekken wat de data verborgen houdt, wanneer labels onmogelijk of te kostbaar zijn.