Gözetimsiz öğrenme, modelin etiketsiz veriden yapı çıkarmasıdır. Kimse doğru cevabı vermiyor. Model yalnızca girdilere bakıyor ve hangi örneklerin birbirine benzediğini, verinin hangi eksenler boyunca değiştiğini ya da neyin sıra dışı olduğunu kendisi buluyor.
Üç ana iş kolu var. Kümeleme benzer örnekleri gruplara ayırıyor, k-means ve hiyerarşik kümeleme bunun tipik yöntemleri. Boyut indirgeme yüzlerce değişkeni birkaç bileşene sıkıştırıyor, PCA en bilinen örneği. Anomali tespiti ise çoğunluğa uymayan kayıtları işaretliyor. Modern dil modellerinin ön eğitimi de bu ailenin yakınında duruyor, çünkü metnin kendisi etiketi üretiyor ve elle etiketlenmiş bir küme gerekmiyor.
Gözetimli öğrenmeden ayıran şey etiketin maliyeti. Elde milyonlarca kayıt varken bunları tek tek etiketlemek çoğu zaman mümkün olmuyor, gözetimsiz yöntemler ise ham veriyle çalışabiliyor.
Somut bir örnek: bir e-ticaret sitesinde 300 bin müşterinin satın alma geçmişi var ama tanımlı bir segment yok. Kümeleme çalıştırıldığında dört doğal grup çıkıyor. Birinde tek seferlik indirim alıcıları, birinde düzenli ve düşük sepetli müşteriler toplanıyor. Bu gruplara isim vermek ve kampanya kurmak insanın işi oluyor.
Sonucun doğruluğunu ölçmek zor. Karşılaştırılacak bir gerçek etiket olmadığı için, kümelerin işe yarayıp yaramadığı ancak iş tarafındaki sonuçla anlaşılıyor.