Wat is unsupervised learning ongeleerd leren?

Leren zonder labels

Als je werkt met unsupervised learning, krijgt je algoritme geen voorgekauwde antwoorden (labels) aangereikt. Het model zoekt dus zélf naar orde, patronen of groepen in je data. Misschien wil je weten hoe klanten zich groeperen, of samenvatten wat er allemaal in een verzameling foto's zit. Methoden zoals clustering (bijvoorbeeld met K-Means, hiërarchische clusters of DBSCAN) en technieken voor dimensionaliteitsreductie (zoals PCA en t-SNE) zie je vaak voorbijkomen. Soms draait het om het opsporen van afwijkingen, soms om het automatisch genereren van nieuwe voorbeelden. En natuurlijk: dit leerproces is handig als je geen tijd of budget hebt om alles handmatig te labelen. Maar let op, want zonder labels is beoordelen lastig. Je bent daardoor afhankelijk van de gekozen methode en instellingen, en soms van vakkennis om in te schatten of een patroon daadwerkelijk waarde heeft. Ook bij het trainen van grote taalmodellen op tekst zonder labels wordt unsupervised learning gebruikt, gewoon omdat daarmee bergen data beschikbaar komen.

Waar kom je unsupervised learning tegen?

Unsupervised learning staat vaak aan de basis van analyses en nieuwe inzichten. In marketing wil je misschien klanten segmenteertrekken zodat je gerichter kunt adverteren; daar wordt unsupervised clustering gebruikt. In de biologie zoek je soms groepen genen met een vergelijkbaar patroon in een experiment. Astronomen zetten het in om sterrenstelsels met elkaar te vergelijken op basis van metingen. Of doe je aan cybersecurity? Dan kun je hiermee afwijkende logins of datastromen eruit pikken (kan wijzen op iets fouts). Dimensionaliteitsreductie helpt ook: denk aan PCA, t-SNE of UMAP om grote setjes data overzichtelijk te maken of ruis te filteren. Wil je data zelf genereren, zoals plaatjes of tekst? Dan gebruik je latentiestructuren zoals bij GANs of autoencoders. Één van de uitdagingen: je hebt geen gouden standaard waaraan je de output kunt toetsen, dus moet je intern vergelijken (zoals met de silhouette-score), of je zoekt advies bij een expert. Toch blijft deze manier van leren onmisbaar voor het verkennen van grote, onbekende datasets en het ontdekken van patronen waar je niet direct aan dacht.

Dit toepassen in
jouw bedrijf?

We vertalen het naar jouw processen en laten binnen een week een werkend prototype zien.