Unüberwachtes Lernen (Unsupervised Learning)
Maschinelles Lernen aus ungelabelten Daten: Das Modell findet Struktur wie Cluster oder Muster, ohne die richtigen Antworten zu kennen.
Unüberwachtes Lernen findet Struktur in ungelabelten Daten: Es gibt keine Soll-Ausgaben, also gruppiert oder verdichtet das Modell die Beispiele allein nach Ähnlichkeit.
Es ist ein zentraler Strang des maschinellen Lernens, das Gegenstück zum überwachten Lernen mit gelabelten Paaren und zum belohnungsgetriebenen verstärkenden Lernen. Klassische Verfahren sind Clustering (ähnliche Punkte zusammenlegen, wie bei k-Means) und Dimensionsreduktion, bei denen ein Modell rohe Beispiele von selbst ordnet. GANs (2014) lernen, synthetische Daten zu erzeugen, indem zwei Netze ohne gelabelte Ziele gegeneinander antreten. Das selbstüberwachte Pretraining hinter modernem tiefem Lernen ist eng verwandt: Es lernt aus rohem Text ohne menschliche Labels, vor jeder Feinabstimmung.