Словарь ИИ
Что такое обучение без учителя
Коротко
Обучение без учителя (unsupervised learning) это способ, при котором модель сама ищет группы и закономерности в данных без заранее подписанных ответов.
Основы ИИ · unsupervised learning
Михаил МозгПроверено: 1 минута чтения
Ребенку
Высыпь на ковер коробку разных пуговиц и попроси друга разложить их по кучкам. Ты не говоришь, как именно. Друг сам решит: большие к большим, красные к красным, с четырьмя дырочками отдельно. Никто не подсказал ему правильный ответ, он просто заметил, чем пуговицы похожи. Компьютер умеет так же раскладывать вещи, которые ему никто не подписал.
Простыми словами
Бывает, что данных много, а подписей нет: просто тысячи покупателей, звонков или фотографий. Тогда модель не учат угадывать ответ, а просят навести порядок в куче. Она сравнивает объекты по признакам и собирает похожие в группы, замечает странные записи, которые ни на что не похожи, или сжимает сотню столбцов таблицы до двух-трех главных. Так сервис доставки еды без всяких подсказок выясняет, что среди клиентов есть ночные студенты, семьи с детьми и офисы на обедах. Названия группам потом дает человек.
Для бизнеса
Метод выручает, когда разметки нет или она дорогая. Компании с его помощью делят клиентов на сегменты для маркетинга, ищут подозрительные платежи и сбои оборудования, группируют обращения в поддержку по темам, находят дубли в справочниках номенклатуры. Затраты уходят в основном на подготовку данных и на работу аналитика, который проверяет, есть ли в найденных группах деловой смысл. Риск в том, что алгоритм всегда что-то найдет, даже в случайном шуме, и красивые сегменты не принесут денег. Поэтому результат сверяют с продажами на небольшой выборке, прежде чем менять процессы. Такую сверку удобно провести в формате пилота.
Для специалиста
Обучение без учителя (unsupervised learning) оценивает структуру распределения данных без целевой переменной. Основные задачи: кластеризация (clustering), снижение размерности (dimensionality reduction), оценка плотности (density estimation) и поиск выбросов (outlier detection). Руководство scikit-learn относит сюда k-средних (k-means), DBSCAN и иерархическую кластеризацию, смеси гауссиан (Gaussian mixture models), метод главных компонент (PCA), неотрицательное матричное разложение (NMF) и обучение многообразий (manifold learning). Для визуализации многомерных данных часто берут t-SNE: метод описали ван дер Маатен и Хинтон в Journal of Machine Learning Research в 2008 году. Близкое направление, обучение с самоконтролем (self-supervised learning), строит задачу из самих данных, например предсказать скрытое слово; на нем держится предобучение языковых моделей и эмбеддингов. Оценивать качество здесь сложнее: применяют внутренние метрики вроде силуэта (silhouette) и экспертную проверку.
Пример
Сеть фитнес-клубов загружает данные о посещениях без всяких пометок. Алгоритм выделяет группу клиентов, которые раньше ходили три раза в неделю, а последний месяц приходят раз в неделю, и клуб предлагает им персональную тренировку до того, как они бросят.
Связанные термины
Вопросы и ответы
Какие задачи решает обучение без учителя?
Почему результаты кластеризации нужно проверять?
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений