Az „Unsupervised Learning” (felügyelet nélküli tanulás) a mesterséges intelligencia területén egy olyan módszer, ahol egy algoritmusnak arra kell tanulnia, hogy megtalálja a mintázatokat vagy struktúrákat az adatokban, anélkül hogy előzetesen címkézett adatokat vagy kimeneti értékeket kapna.
A felügyelet nélküli tanulás célja az adatok strukturális tulajdonságainak felfedezése, a hasonló mintázatok vagy csoportok azonosítása és az adatok reprezentációjának tömörítése. A rendelkezésre álló adathalmazban az algoritmusnak magától kell megtalálnia a releváns információt és függvényeket anélkül, hogy a kimeneti értékeket előre meghatároznák.
Az unsupervised learning különböző technikákat foglal magába, például a csoportosítást (clustering) és az asszociációs szabályokat. A csoportosítás során az algoritmus a hasonló tulajdonságok alapján csoportokba rendezi az adatokat. Az asszociációs szabályok meghatározzák a kapcsolatokat az adatok között és azok előfordulását.
Az unsupervised learning technikák nagyban hozzájárulnak az adatfeldolgozás és elemzés területéhez. Segítségükkel az adatok reprezentációját és struktúráját lehet feltárni, klasztereket vagy csoportokat lehet azonosítani, vagy akár a dimenziószámot lehet csökkenteni. Ezek az információk további döntéshozatali folyamatokhoz vagy feladatokhoz hasznosak lehetnek, például a kampányelemzésben, a piackutatásban vagy az anomáliák észlelésében.
Fontos megjegyezni, hogy az unsupervised learning nem rendelkezik a felügyelt tanulásnál megszokott „helyes” válaszokkal vagy címkékkel. Az algoritmusoknak a rendelkezésre álló adatok alapján kell megtalálniuk a sajátos struktúrákat vagy összefüggéseket. Ezért az unsupervised learning gyakran felfedező jellegű és hasznos lehet az új ötletek, mintázatok vagy felfedezések előhívásához.