Uczenie nienadzorowane

Polega na trenowaniu modelu na zbiorze danych bez etykiet. Celem jest odkrycie ukrytych wzorców lub struktur w danych. To tak, jakby dać dziecku duże pudło klocków LEGO bez instrukcji. Celem jest sprawdzenie, jakie interesujące struktury lub wzorce samo wymyśli. Przykłady obejmują zadania grupowania i redukcji wymiarowości:

• Grupowanie: Celem jest podzielenie podobnych przykładów na grupy. To tak, jakby porządkować zabawki w grupy, nie mówiąc, jak to zrobić. Na przykład sklep może podzielić klientów na różne typy, aby ustalić, jak najlepiej reklamować produkty każdemu z nich. W mediach społecznościowych pomaga to znaleźć osoby należące do poszczególnych grup znajomych.
• Redukcja wymiarowości: Technika, która upraszcza złożoność danych o dużej liczbie wymiarów, zachowując ich najważniejsze cechy. Wyobraź sobie, że masz ogromny plecak pełen przyborów szkolnych, ale chcesz, żeby był lżejszy. Redukcja wymiarowości przypomina ustalanie, co jest niezbędne, a co nie, tak aby zabrać ze sobą tylko to, czego naprawdę potrzebujesz. Pomaga to radzić sobie z nadmiarem informacji — na przykład gdy próbujesz przyjrzeć się bardzo złożonemu obrazowi i uprościć go, aby łatwiej go zrozumieć.

Omawiając różne algorytmy w tym kursie, będziemy mówić o tym, czy są bardziej podobne do uczenia nadzorowanego, czy nienadzorowanego.