Hiç kimse bir çocuğa, sesleri sıralamaya başlamadan önce hangi seslerin hangi dile ait olduğunu söylemez. Denetimsiz öğrenme de aynı şekilde çalışır: algoritma etiketlenmemiş veriler alır ve kendi başına yapıyı bulmalıdır. Kontrol edilecek doğru bir cevap yoktur, yalnızca verilerin kendi şeklinden ortaya çıkan kalıplar vardır.

Kümeleme bunun klasik bir örneğidir. Bir perakendeci, bir yıllık satın alma kayıtlarını bir kümeleme algoritmasına besleyerek, daha önce hiç tanımlamadığı beş farklı müşteri grubu keşfedebilir. Boyut indirgeme de bir diğer örnektir: yüzlerce ölçümü, anlamlı ilişkileri koruyan iki boyutlu bir haritaya sıkıştırmak.

Geçimini sağladığı yer

• Pazarlama için müşteri segmentasyonu
• Ağ trafiğinde veya üretimde anormallik tespiti
• Büyük belge koleksiyonlarında konu keşfi
• Daha sonraki denetimli görevler için ön eğitim temsilleri

Etiketlerin yokluğu hem özgürlük hem de yüktür. Gerçek veriler olmadan, sonuçların değerlendirilmesi özneldir ve kümelerin anlamlı olup olmadığını yorumlamak için genellikle bir insana ihtiyaç duyar. Yine de, etiketlerin imkansız veya çok maliyetli olduğu durumlarda, denetimsiz yöntemler verilerin neyi gizlediğini görmenin tek yoludur.