Unüberwachtes Lernen

Unüberwachtes Lernen ist eine ML-Methode, bei der ein Modell ohne gelabelte Daten trainiert wird. Das System erhält nur Rohdaten und sucht eigenständig nach Strukturen, Mustern oder Gruppen. Aufgaben: Clustering (ähnliche Datenpunkte gruppieren), Dimensionsreduktion.

Wichtige Algorithmen: K-Means (Clustering), Hierarchisches Clustering, PCA (Dimensionsreduktion), Autoencoder (Anomalieerkennung), DBSCAN. Anwendungsbereiche: Kundensegmentierung, Anomalieerkennung (Betrugserkennung), Empfehlungssysteme, biomedizinische Forschung.

Vorteile: flexibel (keine Labels nötig), entdeckt unbekannte Muster, skalierbar. Herausforderungen: Ergebnisse schwer zu interpretieren, Datenqualität kritisch, mögliche Überanpassung. Unüberwachtes Lernen ergänzt überwachtes Lernen und ist besonders wertvoll, wo gelabelte Daten fehlen oder zu teuer sind.