Analýza dát, ktoré neobsahujú vopred definované cieľové hodnoty. Systém samostatne identifikuje skryté štruktúry a vzťahy v surových vstupoch bez ľudského zásahu.
Algoritmy ako K-means alebo DBSCAN rozdeľujú dáta do skupín na základe ich vnútornej podobnosti. Tento proces nevyžaduje štítky, systém meria matematickú vzdialenosť medzi bodmi v priestore.
V praxi sa táto metóda využíva pri segmentácii zákazníkov alebo analýze biologických dát. Viac o logike spracovania nájdete v sekcii Základy a terminológia.
Identifikácia pravidiel, ktoré popisujú veľké časti vašich dát. Typickým príkladom je analýza nákupného košíka, kde algoritmus zisťuje, ktoré produkty sa kupujú spoločne.
Tieto vzorce pomáhajú optimalizovať logistiku a skladové zásoby bez nutnosti manuálneho kódovania pravidiel. Pre pochopenie výpočtov navštívte Matematický aparát.
Detekcia anomálií je kľúčovou aplikáciou učenia bez učiteľa. Algoritmus sa učí, čo predstavuje "normálny" stav systému, a automaticky signalizuje akúkoľvek odchýlku, ktorá nezapadá do naučeného vzorca.
Tento prístup je kritický pre kybernetickú bezpečnosť a monitorovanie priemyselných senzorov. Na rozdiel od Učenia s učiteľom, tu systém nepotrebuje príklady útokov, aby ich dokázal identifikovať ako neštandardné správanie.
Znižovanie počtu vstupných premenných pri zachovaní maximálneho množstva informácií pomocou PCA (Principal Component Analysis).
Transformácia viacrozmerných dát do 2D alebo 3D priestoru pre ľudskú interpretáciu zložitých vzťahov.
Odstránenie irelevantných dátových bodov, ktoré by mohli negatívne ovplyvniť výkon Neurónových sietí.
Strojové učenie bez učiteľa otvára dvere k objavom, ktoré by ľudskému oku unikli. Preverte si technické nároky na vašu infraštruktúru.
Hardvérové požiadavky