Unsupervised Learning ist eine Methode der Datenanalyse von künstlichen Intelligenzen.
Die Künstliche Intelligenz ist dabei in der Lage, selbstständigdurch das Analysieren von Mustern und Strukturen des Inputs, zu lernen. Dadurch kann Sie Daten in Gruppen einteilen, ohne davor trainiert worden zu sein.
Ein untrainiertes neuronales Netzwerk wäre also in der Lage, anhand von Bildern, Tiere zu unterscheiden.
Die KI wäre anfangs ungenau, könnte abermit steigender Anzahl von Daten immer genauere Aussagen treffen. Die Bilder werden nach verschiedenen Merkmalen analysiert, so kann die Künstliche Intelligenz Beispielsweise zwischen Hunden und Katzen unterscheiden, wenn sie denn genug Rohdaten zum Trainieren bekommen hat.
Eine andere Lernmethode des Unsupervised Learning ist das Clustering. Das Clustering kann man sehr gut grafisch veranschaulichen:
Hierbei werden Datentypen auf einem Koordinatensystem angeordnet, um verschiedene Cluster zu generieren.
Beispielsweise könne man die größen- und Gewichtsdaten von 500 Personen in einem solchen Koordinatensystem darstellen und würde erkennen das sich zwei dichte Cluster bilden würden.
Die Künstliche Intelligenz weiß zwar nicht welches Cluster welches Geschlecht darstellt, kann sie aber ziemlich gut unterscheiden.
Das Unsupervised Learning hat beispielsweise im Marketing eine hohe Relevanz, da man Personengruppen anhand weniger Rohdaten clustern kann, um so seine Marketingstrategie anzupassen.