Odborná definícia
Význam a odborné vymedzenie pojmu
Unsupervised learning je učenie modelu z dát bez explicitne poskytnutej cieľovej premennej pre každý príklad. Algoritmus hľadá štruktúru podľa vlastného cieľa, napríklad minimalizuje rekonštrukčnú chybu, zoskupuje podobné body, odhaduje hustotu alebo učí latentnú reprezentáciu. Výsledné zhluky a osi nemajú automaticky ľudský význam ani správny počet kategórií. Hodnotenie preto používa stabilitu, interné kritériá, rekonštrukciu, downstream úlohy a odbornú interpretáciu, nie klasickú accuracy bez referenčných štítkov. Výstup sa musí porovnať s jednoduchými alternatívami, pretože zložitá latentná mapa nemusí priniesť lepšie rozhodnutie.
Zrozumiteľné vysvetlenie
Ako sa pojem používa v praxi
Keď algoritmus dostane nákupné správanie bez označenia typov zákazníkov, môže nájsť skupiny s podobnými vzormi. Nikto mu však nepovedal, že jedna skupina sú lojálni klienti a druhá lovci zliav. Tieto názvy pridá až analytik po preskúmaní vlastností. Iný algoritmus môže ten istý dataset rozdeliť podľa regiónu alebo frekvencie nákupov. Učenie bez dohľadu preto odhaľuje štruktúru podľa matematického cieľa, nie jedinú objektívnu pravdu o dátach. Analytik má pomenovanie zhluku chápať ako hypotézu na overenie, nie ako vlastnosť, ktorú algoritmus objektívne objavil.
Časté otázky
Otázky, ktoré spresňujú význam
Aké úlohy patria do unsupervised learningu?
Clustering, redukcia rozmernosti, odhad hustoty, detekcia anomálií, topic modeling a niektoré metódy reprezentácií, ak nepoužívajú externé cieľové štítky.
Ako sa hodnotí clustering bez pravých tried?
Používajú sa silhouette score, hustota, stabilita medzi behmi, separácia a praktická interpretovateľnosť. Interná metrika môže uprednostniť geometricky pekné, ale nepoužiteľné skupiny.
Je self-supervised learning podmnožinou unsupervised learningu?
Často sa tak zaraďuje, pretože nepoužíva ručné štítky. Rozlišuje sa však tým, že si z dát vytvára explicitnú predikčnú úlohu a cieľ.
Môže unsupervised model vytvoriť diskriminačné segmenty?
Áno. Skryté štruktúry môžu kopírovať citlivé atribúty alebo historické nerovnosti. Segmenty treba analyzovať pred použitím v rozhodovaní.
Kedy sú potrebné označené dáta aj pri unsupervised projekte?
Na pomenovanie a validáciu zhlukov, výber hyperparametrov, meranie downstream prínosu alebo audit kritických anomálií sa často vytvorí menšia referenčná vzorka.
Súvisiace pojmy
Významové a tematické súvislosti
Pojem v rozhodovaní
Odborné články, ktoré tento pojem používajú v praxi
Zdroje a redakčná stopa
Použité východiská a odborná revízia
- Google Machine Learning Glossary, unsupervised machine learning Deep Learning, Representation Learning
Definícia je autorská odborná syntéza. Pri právnych a regulačných rozhodnutiach má prednosť aktuálne oficiálne znenie predpisu a posúdenie konkrétneho prípadu.