Im Maschinenlernen bezieht sich das unbeaufsichtigte Lernen auf das Problem des Versuchens, verborgene Struktur in unetikettierten Daten zu finden. Da die dem Anfänger angeführten Beispiele unetikettiert werden, gibt es keinen Fehler oder Belohnungssignal, eine potenzielle Lösung zu bewerten. Das unterscheidet das unbeaufsichtigte Lernen aus dem beaufsichtigten Lern- und Verstärkungslernen.

Das unbeaufsichtigte Lernen ist nah mit dem Problem der Dichte-Bewertung in der Statistik verbunden. Jedoch umfasst das unbeaufsichtigte Lernen auch viele andere Techniken, die sich bemühen, Hauptmerkmale der Daten zusammenzufassen und zu erklären. Viele im unbeaufsichtigten Lernen verwendete Methoden basieren auf Datenbergwerksmethoden, die verwendet sind, um Daten zu vorbearbeiten.

Annäherungen an das unbeaufsichtigte Lernen schließen ein:

• sich (z.B, K-Mittel, Mischungsmodelle, das hierarchische Sammeln), sammelnd
• blenden Sie Signaltrennung mit Eigenschaft-Förderungstechniken für die dimensionality Verminderung (z.B, Hauptteilanalyse, Unabhängige Teilanalyse, Nichtnegative Matrix factorization, Einzigartige Wertzergliederung).

Unter Nervennetzmodellen werden das Selbstorganisieren der Karte (SOM) und die anpassungsfähige Klangfülle-Theorie (ART) unbeaufsichtigte Lernalgorithmen allgemein verwendet. Der SOM ist eine topografische Organisation, in der nahe gelegene Positionen in der Karte Eingänge mit ähnlichen Eigenschaften vertreten. Das KUNST-Modell erlaubt der Zahl von Trauben, sich mit der Problem-Größe zu ändern, und lässt den Benutzer den Grad der Ähnlichkeit zwischen Mitgliedern derselben Trauben mittels einer benutzerbestimmten Konstante genannt den Wachsamkeitsparameter kontrollieren. KUNST-Netze werden auch für viele Muster-Anerkennungsaufgaben, wie automatische Zielanerkennung und seismische Signalverarbeitung verwendet. Die erste Version der KUNST war "ART1", der von Carpenter und Grossberg (1988) entwickelt ist.

Bibliografie

• Geoffrey Hinton, Terrence J. Sejnowski (Redakteure) (1999): Das Unbeaufsichtigte Lernen: Fundamente der Nervenberechnung, MIT Presse, internationalen Standardbuchnummer 0 262 58168 X (Konzentriert sich dieses Buch auf das unbeaufsichtigte Lernen in Nervennetzen.)
• Richard O. Duda, Peter E. Hart, David G. Stork: Das Unbeaufsichtigte Lernen und Sammeln, Ch. 10 in der Muster-Klassifikation (2. Ausgabe), p. 571, Wiley, New York, internationale Standardbuchnummer 0-471-05669-3, 2001.
• Ranjan Acharyya (2008): Eine Neue Annäherung für die Blinde Quelltrennung von Convolutive Quellen, internationale Standardbuchnummer 978-3-639-07797-1 (konzentriert sich dieses Buch auf das unbeaufsichtigte Lernen mit der Blinden Quelltrennung)

Siehe auch

• Künstliches Nervennetz
• Blinde Signaltrennung
• Daten, die sich sammeln
• Daten, die abbauen
• Erwartungsmaximierungsalgorithmus
• Generative Landkarte
• Analyse von Multivariate
• Radiales Basisfunktionsnetz
• Das Selbstorganisieren der Karte
• Das beaufsichtigte Lernen
• Die Verminderung von Dimensionality
• Traube-Analyse
• Dichte-Bewertung