Никто не говорит ребенку, какие звуки относятся к какому языку, прежде чем он начнет их сортировать. Обучение без учителя работает аналогично: алгоритм получает данные без меток и должен самостоятельно найти структуру. Нет правильного ответа, с которым нужно сравнивать, есть только закономерности, которые возникают из самой структуры данных.

Кластеризация — классический пример. Розничный продавец может ввести данные о покупках за год в алгоритм кластеризации и обнаружить пять различных групп клиентов, которые он никогда не определял. Снижение размерности — еще один пример: сжатие сотен измерений в двухмерную карту, которая сохраняет значимые взаимосвязи.

Там, где оно зарабатывает себе на жизнь

• Сегментация клиентов для маркетинга
• Выявление аномалий в сетевом трафике или производственных процессах.
• Поиск тем в больших коллекциях документов
• Предварительное обучение представлений для последующих задач с учителем.

Отсутствие меток одновременно является свободой и бременем. Без эталонных данных оценка результатов становится субъективной и часто требует вмешательства человека для определения того, имеют ли кластеры смысл. Тем не менее, когда добавление меток невозможно или слишком дорого, неконтролируемые методы — единственный способ увидеть, что скрывает информация в данных.