Unsupervised Learning
Modelin etiketsiz veri içindeki gizli yapı ve örüntüleri kendi başına keşfettiği yöntem.
Gözetimsiz öğrenme (unsupervised learning), modelin herhangi bir doğru cevap veya etiket verilmeden, yalnızca ham veri içindeki gizli yapı, örüntü ve ilişkileri kendi başına keşfetmeye çalıştığı bir makine öğrenmesi paradigmasıdır. Gözetimli öğrenmedeki gibi bir "öğretmen" yoktur; model, veri noktaları arasındaki benzerlik ve farklılıklara dayanarak kendi iç mantığını oluşturur. En yaygın gözetimsiz öğrenme görevlerinden biri kümelemedir (clustering): örneğin K-means algoritması, bir müşteri veri kümesindeki alışveriş davranışlarına bakarak müşterileri kendiliğinden benzer gruplara ayırabilir, herhangi bir önceden tanımlı kategori olmadan.
Bir diğer önemli gözetimsiz öğrenme görevi boyut indirgemedir; PCA (Temel Bileşen Analizi) gibi teknikler, yüksek boyutlu veriyi bilgi kaybını en aza indirerek daha düşük boyutlu bir uzayda temsil eder, bu da hem görselleştirmeyi kolaylaştırır hem de sonraki modelleme adımlarını hızlandırır. Anomali tespiti (dolandırıcılık tespitinde olduğu gibi normalden sapan veri noktalarını bulma) ve otokodlayıcılar (autoencoder) gibi yöntemler de bu kategoriye girer. Gözetimsiz öğrenme, etiketleme maliyetinin çok yüksek veya pratik olarak imkânsız olduğu durumlarda -örneğin devasa miktarda etiketsiz metin veya görüntü verisinden faydalanmak istendiğinde- özellikle değerlidir; büyük dil modellerinin ön eğitim aşaması da özünde gözetimsiz (veya kendi kendini gözetimli) bir öğrenme sürecidir.
Bir diğer önemli gözetimsiz öğrenme görevi boyut indirgemedir; PCA (Temel Bileşen Analizi) gibi teknikler, yüksek boyutlu veriyi bilgi kaybını en aza indirerek daha düşük boyutlu bir uzayda temsil eder, bu da hem görselleştirmeyi kolaylaştırır hem de sonraki modelleme adımlarını hızlandırır. Anomali tespiti (dolandırıcılık tespitinde olduğu gibi normalden sapan veri noktalarını bulma) ve otokodlayıcılar (autoencoder) gibi yöntemler de bu kategoriye girer. Gözetimsiz öğrenme, etiketleme maliyetinin çok yüksek veya pratik olarak imkânsız olduğu durumlarda -örneğin devasa miktarda etiketsiz metin veya görüntü verisinden faydalanmak istendiğinde- özellikle değerlidir; büyük dil modellerinin ön eğitim aşaması da özünde gözetimsiz (veya kendi kendini gözetimli) bir öğrenme sürecidir.