Gözetimsiz öğrenme

Makine öğrenmesi ve veri madenciliği
Problemler Sınıflandırma Kümeleme Regresyon Anomali tespiti Association rules Pekiştirmeli öğrenme Yapılandırılmış tahmin Öznitelik mühendisliği Öznitelik öğrenmesi Öznitelik çıkarımı Online öğrenme Yarı-gözetimli öğrenme Gözetimsiz öğrenme Sıralama öğrenme Gramer Tümevarımı
Gözetimli öğrenme Karar ağacı Birlik öğrenmesi k-YK Doğrusal regresyon Naive Bayes Sinir ağları Lojistik regresyon Relevance vector machine (RVM) Support vector machine (SVM) Rastgele orman
Kümeleme BIRCH Hiyerarşik k-means Beklenti maksimizasyon DBSCAN OPTICS Mean-shift
Boyut indirgeme Faktör analizi CCA ICA LDA NMF PCA t-SNE
Yapılandırılmış tahmin Grafiksel modeller (Bayes ağları, CRF, HMM)
Anomali tespiti k-NN Local outlier factor
Sinir ağları Perseptron Otokodlayıcı Derin öğrenme RNN LSTM Kısıtlı Boltzmann makinesi SOM Kıvrımlı sinir ağları
Pekiştirmeli öğrenme Q-Learning SARSA Temporal Difference (TD)
Teori Bias-variance ikilemi Hesaplamalı öğrenme teorisi Empirik risk minimizasyonu Occam learning PAC learning İstatistiki öğrenme teorisi VC theory
Konferanslar ve dergiler NIPS ICML ML JMLR ArXiv:cs.LG

Gözetimsiz öğrenme, gözetimli öğrenmeden farklı olarak, verileri sebep-sonuç ya da giriş-çıkış şeklinde etiketlemeden, veri içerisinde var olan ilişkilerin ve yapıların öğrenilmesidir.^[1][2] Veri örneklerinin birbirine olan uzaklıklarını, komşuluk ilişkilerini ve yoğunluklarını kullanarak veriyle ilgili çıkarımlar yapılmasını sağlar. Gözetimsiz öğrenmenin iki önemli yaklaşımı boyut indirgeme ve kümelemedir.

Örneğin, bir sosyal ağda tanınan kişiler arkadaş olarak eklenir. Sosyal ağ sitesi ise üyelerini ekledikleri kişilere göre sınıflandırarak belirli arkadaş grupları oluşturur ve kullanıcılara “tanıyor olabileceğiniz kişiler” diyerek önerilerde bulunur. Sistemin kullanıcıya sunduğu “sadece tanıyor olabileceği kişiler arkadaşlık isteği gönderebilsin” seçeneği de gözetimsiz öğrenmeye örnek gösterilebilir.

Kısaca gözetimsiz öğrenmede veriler üzerinde bir ayırım yapmadan sisteme yüklenip, algoritma ile onu kendisinin ayırıp, kendisinin öğrenmesini beklenir.