Învățarea nesupervizată este o metodă de machine learning în care un algoritm identifică singur tipare, structuri sau grupări în date, fără a primi exemple etichetate cu răspunsul corect în prealabil.
Spre deosebire de învățarea supervizată, aici modelul explorează datele brute și descoperă asemănări sau anomalii pe cont propriu — de exemplu, grupând automat clienții unei companii în segmente distincte, pe baza comportamentului lor de cumpărare, fără ca cineva să fi definit anterior aceste categorii.
Această abordare este folosită frecvent pentru segmentarea clienților, detectarea anomaliilor (precum tranzacții frauduloase neobișnuite) sau reducerea dimensionalității datelor complexe pentru vizualizare și analiză.
Avantajul este posibilitatea de a descoperi tipare ascunse, la care oamenii nu s-ar fi gândit să le caute explicit. Dezavantajul este dificultatea de a evalua și interpreta corect rezultatele, întrucât nu există un „răspuns corect” prestabilit cu care să se compare.
Învățarea nesupervizată este deosebit de utilă atunci când o companie deține volume mari de date, dar nu știe încă exact ce tipare sau segmente ar putea exista în interiorul lor.