Unüberwachtes Lernen eignet sich für Szenarien, in denen keine bekannten und logisch strukturierten Trainingsdaten für das Machine Learning vorliegen. Entsprechende Algorithmen sind in der Lage, charakteristische Muster in Daten eigenständig zu erkennen und in Gruppen zu unterteilen.
Die Rede ist hierbei auch von sogenannten Clustering-Verfahren. Vorstellbar ist es beispielsweise, dass der Algorithmus mit sämtlichen Kundendaten versorgt wird und diese im zweiten Schritt selbstständig in Kundengruppen einteilt. Die Anzahl der gewünschten Segmente kann entweder vorgegeben oder gänzlich dem Algorithmus überlassen werden. In diesem Fall wird das Machine Learning also weniger in eine bestimmte Richtung gelenkt.
Auch Unsupervised Learning kommt jedoch nicht ohne menschlichen Eingriff aus. Dies liegt schlicht daran, dass der Algorithmus keine Begründung liefert, warum er die Cluster gebildet hat. Das Ergebnis muss also aus fachlicher Sicht interpretiert werden und die Sinnhaftigkeit kritisch hinterfragt werden.
Ein weiterer Anwendungsfall für das unüberwachte Lernen ist die Dimensionsreduktion (auch Hauptkomponentenanalyse genannt). Dieser Ansatz des Machine Learning dient dazu, in existierenden Daten sogenannte Features zu identifizieren. Features sind in diesem Zusammenhang nichts anderes als Merkmale, in denen sich die Daten unterscheiden.
Als vereinfachtes Beispiel können an dieser Stelle die Beschreibungen von Textilien herangezogen werden. Ein extrahierbares Feature wäre in diesem Fall etwa die Farbe der Kleidungsstücke. Auch hier ist jedoch fachlich zu hinterfragen, warum der Algorithmus ein bestimmtes Feature als Unterscheidungsmerkmal herangezogen hat.
