비지도 학습은 레이블이 지정되지 않은 데이터 집합을 제공할 수 있는 경우이며 내부 패턴을 분석하고 찾는 데 필요합니다. 예로는 차원 축소 및 클러스터링이 있습니다. 레이블이 지정되지 않았거나 분류되지 않았거나 분류되지 않은 데이터 그룹과 일부 감독 없이 해당 데이터를 용이하게 하는 데 필요한 알고리즘이 있는 머신에 교육이 지원됩니다. 비지도 학습의 목적은 입력 레코드를 동일한 패턴의 새로운 기능 또는 객체 세트로 재구성하는 것입니다.
클러스터 분석은 이러한 레코드에 대해 수행된 다양한 측정에 따라 동일한 레코드의 그룹 또는 클러스터를 형성하는 데 사용됩니다. 핵심 설계는 분석 목적에 유용할 수 있는 방식으로 클러스터를 정의하는 것입니다. 이 데이터는 천문학, 고고학, 의학, 화학, 교육, 심리학, 언어학, 사회학 등 여러 분야에서 사용되었습니다.
Google은 콘텐츠에 따라 뉴스 항목을 그룹화하기 위해 비지도 학습이 필요한 클러스터링의 인스턴스입니다. Google은 여러 주제에 대해 작성된 수백만 개의 뉴스 항목 집합을 보유하고 있으며 클러스터링 알고리즘은 단어 빈도, 문장 길이, 페이지 수 등의 여러 속성을 사용하여 이러한 뉴스 항목을 동일하거나 서로 연결된 작은 숫자로 그룹화해야 합니다.
다음과 같은 Unsupervised Learning의 다양한 예가 있습니다. -
컴퓨팅 클러스터 구성 − 서버의 지리적 영역은 세계의 특정 영역에서 수신된 웹 요청의 클러스터링을 기반으로 결정됩니다. 로컬 서버에는 해당 지역의 사람들이 자주 생성한 데이터만 포함됩니다.
소셜 네트워크 분석 − 소셜 네트워크 분석은 친구 간의 연결 빈도에 따라 클러스터를 만들기 위해 수행됩니다. 이러한 분석은 일부 소셜 네트워킹 웹사이트 사용자 간의 링크를 보여줍니다.
시장 세분화 − 영업 조직은 이전 청구 항목을 기반으로 사용자를 여러 세그먼트로 클러스터링하거나 그룹화할 수 있습니다. 예를 들어, 대형 슈퍼마켓은 모든 사용자에게 SMS를 보내는 대신 식료품 사용자에게 특히 식료품 요소에 대한 SMS를 보내야 할 수 있습니다.
저렴할 뿐만 아니라 우수합니다. 결국 상점에서 옷만 사는 사람들에게는 별 의미 없는 자극제가 될 수 있습니다. 구매 내역을 기반으로 사용자를 여러 세그먼트로 결합하면 매장에서 판매를 늘리고 수익을 높일 수 있도록 올바른 사용자에게 집중할 수 있습니다.
천문 데이터 분석 − 천문학자들은 은하와 별을 연구하기 위해 높은 망원경이 필요합니다. 빛의 디자인 또는 하늘의 여러 부분에서 받은 빛의 결합은 여러 은하, 행성 및 위성을 인식하는 데 도움이 됩니다.