Nikt nie mówi dziecku, które dźwięki należą do którego języka, zanim zacznie je sortować. Uczenie bez nadzoru działa w ten sam sposób: algorytm otrzymuje dane bez etykiet i musi samodzielnie znaleźć strukturę. Nie ma poprawnej odpowiedzi do sprawdzenia, jedynie wzorce, które wyłaniają się z kształtu danych.

Klasycznym przykładem jest klasteryzacja. Sprzedawca detaliczny może wprowadzić roczne dane dotyczące zakupów do algorytmu klasteryzacji i odkryć pięć odrębnych grup klientów, których nigdy nie zdefiniował. Redukcja wymiarowości to kolejny przykład: kompresja setek pomiarów do dwuwymiarowej mapy, która zachowuje znaczące relacje.

Gdzie zarabia na swoje utrzymanie

• Segmentacja klientów na potrzeby marketingu
• Wykrywanie anomalii w ruchu sieciowym lub produkcyjnym
• Odkrywanie tematów w dużych zbiorach dokumentów
• Wstępne trenowanie reprezentacji dla późniejszych nadzorowanych zadań

Brak etykiet to zarówno wolność, jak i obciążenie. Bez rzetelnej wiedzy, ocena wyników jest subiektywna i często wymaga od człowieka interpretacji, czy klastry mają sens. Jednak gdy etykiety są niemożliwe lub zbyt kosztowne, metody nienadzorowane są jedynym sposobem, aby zobaczyć, co kryją dane.