1) Einfach erklärt (mit Beispielen)
Unüberwachtes Lernen bedeutet: Die KI bekommt viele Daten ohne „richtige Antworten“ (ohne Labels) und sucht selbst Strukturen und Muster darin.
Wozu ist das gut? Um Ähnliches zu gruppieren, Ausreißer zu finden oder die Daten kompakter darzustellen.
Beispiele:
- Kundengruppen bilden: Aus Kaufdaten entstehen Segmente (z. B. „Preisbewusst“, „Premium“), ohne dass jemand diese Gruppen vorher beschriftet hat (Clustering).
- Anomalien finden: Sensor‑Daten zeigen ungewöhnliche Verläufe → möglicher Fehler (Anomalie‑Erkennung).
- Bilder komprimieren/vereinfachen: Ein Verfahren lernt Merkmale und stellt Bilder in wenigen Zahlen dar (Dimension‑Reduktion), z. B. für schnellere Modelle.
Merke: Es gibt keinen Lehrer. Die KI entdeckt Struktur – wir deuten die Ergebnisse.
2) Professionelle Definition
Beim Unsupervised Learning liegen Eingaben {xi}i=1n\{x_i\}_{i=1}^n{xi}i=1n ohne zugehörige Zielgrößen vor. Ziele sind u. a. die Schätzung verborgener Struktur (z. B. Cluster, Dichten, Manifolde) oder kompakter Repräsentationen. Wichtige Aufgaben/Methoden:
- Clustering: k‑Means, Gauß‑Mischmodelle (GMM)/EM, Hierarchisches Clustering, DBSCAN/HDBSCAN.
- Dichteschätzung: Kernel Density Estimation (KDE), GMM, Normalizing Flows.
- Dimensionsreduktion/Repräsentationslernen: PCA, t‑SNE/UMAP (nicht‑linear), Autoencoder (auch Variational Autoencoder, VAE), Self‑Supervised/Contrastive Vortrainingsansätze für Merkmale.
- Anomalie‑Erkennung: One‑Class SVM, Isolation Forest, Autoencoder‑Rekonstruktionsfehler.
Zielkriterien & Evaluation: Ohne Labels nutzt man interne Metriken (z. B. Silhouetten‑Koeffizient, Davies–Bouldin), Dichte‑/Log‑Likelihood, Rekonstruktionsfehler, Stabilität (z. B. gegen Initialisierung) oder Downstream‑Leistung nachgelagerter Aufgaben.
Abgrenzung:
- Supervised Learning: Lernen mit Labels.
- Reinforcement Learning: Lernen über Belohnungen.
Quellen
- Stanford CS229 – Unsupervised Learning (Lecture Notes):
https://cs229.stanford.edu/ - Bishop – Pattern Recognition and Machine Learning (Kapitel zu Mixture Models/EM, PCA):
https://www.microsoft.com/en-us/research/people/cmbishop/#!prml-book