Unsupervised Learning (unüberwachtes Lernen) arbeitet mit Daten ohne vorgegebene Antworten und sucht selbstständig nach Strukturen darin. Die bekannteste Anwendung ist das Clustering, das ähnliche Datensätze zu Gruppen bündelt, etwa Kunden mit vergleichbarem Kaufverhalten, ohne dass jemand die Segmente vorher definiert.
Daneben stehen die Anomalieerkennung, die Ausreißer im normalen Muster aufspürt, und die Dimensionsreduktion, die viele Merkmale auf wenige aussagekräftige verdichtet und damit große Datenbestände überhaupt erst auswertbar macht. Verbreitete Verfahren sind k-Means für Cluster und die Hauptkomponentenanalyse für die Verdichtung.
Der Vorteil liegt auf der Hand: Die aufwendige Handarbeit des Labelns entfällt, und das Verfahren findet auch Zusammenhänge, nach denen niemand gesucht hätte. Der Preis dafür ist die Deutung, denn das Ergebnis sind Gruppen ohne Namen und ohne garantierte Bedeutung; ob ein gefundenes Cluster fachlich etwas heißt, entscheidet der Mensch. In der Praxis dient unüberwachtes Lernen deshalb häufig als Vorstufe, etwa für Kundensegmentierung im Marketing, Betrugserkennung im Zahlungsverkehr oder die Überwachung von Maschinendaten.