4.3 Unüberwachtes Lernen - NerimanK/Cloud-Computing-Technology---Google-Home GitHub Wiki

Beim unüberwachten Lernen sind wie der Name schon sagt, die Daten nicht vorhanden. Das System versucht ohne jegliche Hilfe zu lernen. Die wichtigsten un-überwachten Lernalgorithmen sind:

• Clustering

• Visualisierung und Dimensionsreduktion

• Lernen mit Assoziationsregeln

Angenommen es gibt eine Menge von Daten über Besucher eines Blogs. Das System möchte ein Clustering Algorithmus verwenden, um Gruppen ähnlicher Besucher zu entdecken. Jedoch wird dem Algorithmus nicht verraten, welche Gruppe ein Besucher angehört. Beispielsweise kann der Algorithmus bemerken, dass 40% der Männer Comics Leser sind, die den Blog jeden Abend lesen. 20% dagegen sind junge Science-Fiction-Fans, die am Wochenende vorbeischauen. Dieser Algorithmus kann immer so weiter gehen.

Hier werden dem Algorithmus Daten ohne Informationen übergeben und es wer-den 2D oder 3D Präsentationen der Daten übergeben. Die Dimensionsreduktion ist eine verwandte Aufgabe wie die Visualisierung. Dabei ist das Ziel die Vereinfachung der Daten, ohne dabei Informationen zu verlieren. Ein Beispiel wäre, wenn die sich der Kilometerstand und das Alter eines Autos vereint.

Bei diesem Lernalgorithmus geht das darum, große Datenmenge einzutauchen und interessante Beziehungen zwischen Merkmalen zu entdecken. Beispielweise wäre hier ein Supermarkt. Die Kunden die Grillsoße und Kartoffelchips einkaufen, werden auch Steaks kaufen. Daher sollte diese Artikel in unmittelbarer Nähe zueinanderstehen (vgl. Géron, 2018)