قسمت قبل که در رابطه با یادگیری نظارتی صحبت کردیم حالا می خواهیم برم سمت یادگیری نظارت نشده. هر مدل ترجمه دیگه ای که دوست دارین از این اصلاح لاتین داشته باشین اوکی هست. این سبک یادگیری به ما این اجازه رو میده که بدون ایده کامل از خروجی کار با مساله ای که قصد داریم باهاش دست و پنجه نرم کنیم برخورد کنیم. ما می تونیم یه سبک و سیاق ساختار داده رو بدون اینکه تاثیرات متغیرهامون رو بدونیم استخراج کنیم به این صورت که میشه این ساختار رو با استفاده از خوشه بندی داده ها بر مبنای ارتباط متغیرهای داده مون استخراج کنیم.
مثال الف (خوشه بندی)
ما یه مجموعه یک میلیونی از ژن های مختلف داریم و حالا می خواهیم با استفاده از متغیرهای مجموعه دیتایی که داریم ژن ها رو به صورت اتوماتیک و نه دستی (این خیلی مهمه) بر اساس طول عمر، محل قرارگیری ژن و نقش اون ژن به گروه های مختلف و متنوع تقسیم کنیم.
مثال ب (غیر خوشه بندی)
الگوریتم Cocktail Party که ما رو قادر می سازه بتونیم ساختار رو تو یه محیط شلوغ و پر ازدحام به ددست بیاریم. (مثلا تو یه مهونی شلوغ و پرهیاهو شما می تونید فقط به صدای دوستتون گوش کنید و مابقی صداهای مزاحم رو فیلتر کنید (البته این یه عملکرد حساس ذهنی هستش) صورت دیگه ی این مساله هم ممکن هست که شما می تونید فقط صدای یک نفر رو که تمایل به شنیدن اون دارید ولی اون در حال صحبت با شما نیست رو از فاصله ای دورتر گوش کنید و ما بقی صداها رو فیلتر کنید. )
