Učení bez učitele je typ strojového učení, kde algoritmus pracuje s daty, která nejsou označená (nemají žádné labely/štítky). Model nedostává žádné „správné odpovědi“, ale snaží se sám najít vzorce, podobnosti nebo anomálie v surových datech.

Je to podobné, jako kdybyste dali dítěti hromadu různobarevných kostek různých tvarů. Dítě neví, jak se barvy jmenují, ale samo je začne třídit na hromádky podle barvy nebo podle toho, které jsou kulaté a které hranaté.

Tento přístup se využívá především pro tři typy úkolů:

Algoritmus rozdělí data do skupin (clusterů) tak, aby si data uvnitř jedné skupiny byla co nejvíce podobná a data z různých skupin co nejvíce odlišná.

• Příklady: Segmentace zákazníků (skupiny s podobným nákupním chováním), seskupování podobných zpráv v Google News.
• Typické algoritmy: K-Means, DBSCAN, Hierarchické shlukování.

Snížení počtu proměnných (sloupců) v datech při zachování co největšího množství informací. Pomáhá to vizualizovat složitá data nebo zrychlit trénování jiných modelů.

• Příklady: Komprese obrázků, vizualizace genetických dat ve 2D grafu.
• Typické algoritmy: PCA (Principal Component Analysis), t-SNE, Autoenkodéry.

Hledání pravidel, která popisují velké části vašich dat.

• Příklad: „Lidé, kteří si koupili pivo, si s pravděpodobností 80 % koupili také brambůrky“ (Market Basket Analysis).
• Typické algoritmy: Apriori, Eclat.

Specifické využití, kde model identifikuje datové body, které se výrazně liší od zbytku („outliers“).

• Využití: Detekce podvodů s kreditními kartami (neobvyklá transakce), identifikace poruch v průmyslových senzorech.

• Bioinformatika: Seskupování genů s podobnými funkcemi.
• Kybernetická bezpečnost: Detekce neobvyklého provozu v síti (možný útok).
• Doporučovací systémy: Hledání podobných uživatelů pro doporučení filmů (Netflix).

• Podrobně o shlukování
• Učení s učitelem
• Autoenkodéry a neuronové sítě

Tagy: ai ml unsupervised_learning clustering pca anomálie