Uczenie nienadzorowane to rodzaj uczenia maszynowego, w którym algorytm uczenia nie ma dostępu do przykładów z oznaczonymi poprawnymi odpowiedziami. W przeciwieństwie do uczenia nadzorowanego, w którym algorytm uczy się na podstawie danych wejściowych i ich przypisanych etykiet, w uczeniu nienadzorowanym algorytm ma do dyspozycji tylko same dane wejściowe i musi samodzielnie odkrywać strukturę i wzorce w danych.
Istnieją dwa główne rodzaje uczenia nienadzorowanego: klasteryzacja i redukcja wymiarowości.
Klasteryzacja polega na grupowaniu podobnych obiektów w klastry. Algorytm klasteryzacji analizuje cechy poszczególnych obiektów i tworzy klastry tak, aby obiekty w danym klastrze były jak najbardziej podobne do siebie, a obiekty z różnych klastrów były jak najbardziej różne. Klasteryzacja jest często stosowana w marketingu, gdzie może być używana do grupowania klientów według ich zachowań zakupowych lub preferencji.
Redukcja wymiarowości polega na przekształceniu danych z wysokiej wymiarowości (np. tysiące cech) w dane o niższej wymiarowości (np. dwie lub trzy cechy), przy zachowaniu jak największej ilości informacji. Redukcja wymiarowości jest często stosowana w celu uproszczenia danych i ułatwienia ich interpretacji. Może być również używana do zmniejszenia czasu obliczeń potrzebnych do przetwarzania danych przez inne algorytmy uczenia maszynowego.
Uczenie nienadzorowane jest często stosowane w przypadku dużych zbiorów danych, gdzie ręczne oznaczanie etykiet byłoby czasochłonne lub niemożliwe.
Uczenie nienadzorowane ma jednak pewne ograniczenia. Ponieważ algorytm nie ma dostępu do etykiet danych wejściowych, trudniej jest ocenić jego dokładność. Może również być trudne zinterpretowanie wyników uczenia nienadzorowanego bez odniesienia do konkretnych etykiet. W przypadku redukcji wymiarowości może również dojść do utraty pewnych istotnych informacji.
Pomimo tych ograniczeń, uczenie nienadzorowane jest ważnym narzędziem w uczeniu maszynowym i może być bardzo użyteczne w różnych zastosowaniach.