Uczenie nienadzorowane

Uczenie nienadzorowane (ang. unsupervised learning) jest jedną z głównych gałęzi sztucznej inteligencji oraz uczenia maszynowego. Polega na analizie danych bez użycia etykiet (oznaczeń) określających pożądane wyjścia. Algorytmy tego typu mają za zadanie wykrywać ukryte struktury, wzorce oraz relacje w zbiorach danych, które nie są wcześniej zdefiniowane.

Historia

Pierwsze koncepcje uczenia nienadzorowanego pojawiły się w latach 1950 i 1960 w ramach badań nad rozpoznawaniem wzorców i analizą statystyczną. Przełomowy wkład w rozwój tej dziedziny wniosła praca Teuvo Kohonena, który w 1982 roku przedstawił sieci SOM (Self‑Organizing Maps). W latach 1990 i 2000 nastąpił gwałtowny rozwój algorytmów takich jak k‑means, DBSCAN oraz technik redukcji wymiarowości, np. PCA i t‑SNE.

Podstawowe zadania

Klasteryzacja – podział danych na grupy (klastry) o podobnych właściwościach. Przykłady algorytmów: k‑means, klasteryzacja hierarchiczna, DBSCAN.
Redukcja wymiarowości – przekształcenie danych do przestrzeni o niższej liczbie wymiarów przy zachowaniu najważniejszych informacji. Najbardziej znane metody to PCA, LDA, t‑SNE oraz autoenkodery.
Odkrywanie reguł asocjacyjnych – znajdowanie zależności pomiędzy elementami zbioru danych, np. algorytm Apriori.
Modelowanie gęstości – estymacja rozkładu prawdopodobieństwa danych, np. modele mieszane Gaussa, estymacja jądrowa (KDE).

Popularne algorytmy

k‑means: Iteracyjne grupowanie danych wokół k centrów, minimalizujące sumę kwadratów odległości punktów od ich centrum.
Klasteryzacja hierarchiczna: Tworzy drzewiastą strukturę (dendrogram), łącząc najbliższe obserwacje (aglomeracyjna) lub dzieląc je (dzieląca).
DBSCAN: Klasteryzacja oparta na gęstości, pozwalająca wykrywać klastry dowolnego kształtu oraz odrzucać punkty odosobnione jako szum.
PCA (analiza głównych składników): Metoda liniowa redukcji wymiarowości oparta na transformacji ortogonalnej danych do nowej bazy o maksymalnej wariancji.
t‑SNE: Metoda nieliniowa redukcji wymiarowości, szczególnie przydatna do wizualizacji danych w dwóch lub trzech wymiarach.
Autoenkodery: Neuronalne modele uczące się kodowania i dekodowania danych, wykorzystywane do kompresji i generowania nowych próbek.

Zastosowania

Uczenie nienadzorowane znajduje szerokie zastosowanie w różnych dziedzinach:

Analiza danych biologicznych – grupowanie genów o podobnych wzorcach ekspresji (bioinformatyka).
Segmentacja klientów – podział bazy klientów na segmenty marketingowe w oparciu o zachowania zakupowe.
Wykrywanie anomalii – identyfikacja nieprawidłowych zachowań w systemach bezpieczeństwa lub w przetwarzaniu transakcji finansowych.
Kompresja obrazu i wideo – redukcja wymiarowości przy zachowaniu istotnych cech obrazu.
Rekomendacje – grupowanie produktów lub użytkowników w celu generowania sugestii w systemach rekomendacyjnych.

Powiązane pojęcia

Więcej informacji można znaleźć w następujących artykułach:

Przyszłość

Rozwój uczenia nienadzorowanego jest ściśle związany z postępami w dziedzinie głębokiego uczenia. Coraz popularniejsze stają się samouczące się reprezentacje oraz modele oparte na transformerach, które łączą zalety uczenia nienadzorowanego z możliwością adaptacji do konkretnych zadań przy minimalnym wkładzie ekspertów.

Autor: Redaktor Encyklopedii – zaktualizowano 5 sierpnia 2026