Uczenie nienadzorowane to dziedzina sztucznej inteligencji i uczenia maszynowego, w której algorytmy uczą się na danych nieoznakowanych, czyli bez zdefiniowanych z góry etykiet wyników. W przeciwieństwie do uczenia nadzorowanego nie istnieje tu „prawda wzorcowa” kierująca procesem uczenia. Celem jest odkrycie struktur, wzorców lub naturalnych grupowań w danych. Obejmuje to zadania takie jak klasteryzacja, redukcja wymiarowości czy detekcja anomalii. Uczenie nienadzorowane wyróżnia się zdolnością do eksploracji dużych zbiorów danych bez udziału człowieka, ale wyniki wymagają zazwyczaj interpretacji przez eksperta.
Zastosowania i przykłady
Uczenie nienadzorowane stosuje się do segmentacji klientów w marketingu, wykrywania oszustw lub wartości odstających w finansach, automatycznej organizacji dokumentów według tematyki czy eksploracyjnej analizy danych w nauce i medycynie. Do typowych przykładów należą również silniki rekomendacyjne, kompresja obrazów oraz wykrywanie nowych typów zachowań w sieciach społecznościowych.
Główne narzędzia, biblioteki i frameworki
Wśród najważniejszych narzędzi znajdują się scikit-learn (Python), TensorFlow i PyTorch do zaawansowanych implementacji. Do klasteryzacji powszechnie stosuje się algorytmy K-means, DBSCAN i Spectral Clustering. W redukcji wymiarowości wykorzystuje się PCA (Analiza Głównych Składników), t-SNE i UMAP. Platformy takie jak RapidMiner i KNIME oferują graficzne środowiska do pracy z uczeniem nienadzorowanym.
Najnowsze osiągnięcia, ewolucje i trendy
Ostatnie lata to rozwój integracji uczenia nienadzorowanego z architekturami deep learning (np. autoenkodery czy modele klasteryzacji oparte na sieciach neuronowych). Metody samo-nadzorowane, generujące sztuczne zadania z nieoznakowanych danych, zacierają granicę między uczeniem nadzorowanym a nienadzorowanym. Uczenie nienadzorowane odgrywa coraz większą rolę w przygotowaniu danych do modeli generatywnych i analizie dużych zbiorów danych, umożliwiając powstawanie coraz bardziej autonomicznych i odpornych zastosowań AI.