Kako funkcionira nenadgledano učenje?

Question

Accepted Answer

**Nenadgledano učenje** pronalazi obrasce i strukturu u **neoznačenim podacima** (bez datih odgovora) — otkrivajući grupacije, smanjujući dimenzije ili detektirajući anomalije samostalno. Koristi se kada imate podatke ali bez oznaka, kako bi se otkrila skrivena struktura.

## Kako funkcionira nenadgledano učenje

```text
UNSUPERVISED → learn from data WITHOUT labels (no given correct answers):
  → the algorithm finds STRUCTURE/patterns in the data on its own
  → no 'right answer' to learn from → it discovers groupings, relationships, or representations
→ for: exploring data, finding hidden structure, when labels are unavailable/expensive
```

## Glavne nenadgledane zadaće

```text
CLUSTERING → group similar data points into clusters:
  → e.g. customer segmentation, grouping similar documents (k-means, hierarchical, DBSCAN)
DIMENSIONALITY REDUCTION → reduce features while preserving structure:
  → e.g. PCA → compress/visualize high-dimensional data; simplify for other models
ANOMALY DETECTION → find unusual/outlier data points:
  → e.g. fraud detection, defect detection, finding rare events
ASSOCIATION → find relationships (e.g. 'people who buy X also buy Y')
```

## Kada i zašto

```text
✓ use when you have DATA but NO LABELS (labeling is expensive/unavailable)
✓ EXPLORE/understand data → discover patterns you didn't know about
✓ PREPROCESSING → reduce dimensions, cluster as features for other models
⚠️ harder to EVALUATE (no labels to compare against) → results need interpretation
→ uncovers hidden structure when there are no labels to learn from
```

## Zašto je važno

Razumijevanje kako funkcionira nenadgledano učenje je vrijedno jer je **jedan od glavnih tipova ML-a**, primjenjivo kada podacima nedostaju oznake, pa razumijevanje toga nadopunjava znanje o nadgledanom učenju.

Nenadgledano učenje — pronalaženje obrazaca u neoznačenim podacima bez datih odgovora — rješava scenarije gdje imate podatke ali bez oznaka.

Razumijevanje **kako funkcionira** — algoritam koji pronalazi strukturu i obrasce sam po sebi (bez ispravnog odgovora koji trebam naučiti, otkrivajući grupacije i odnose) — pojašnjava kako se razlikuje od nadgledanog učenja (koje trebam oznake).

Razumijevanje **glavnih nenadgledanih zadaća** — **klasteriranje** (grupiranje sličnih točaka podataka, npr. segmentacija kupaca), **smanjenje dimenzionalnosti** (smanjenje značajki dok se čuva struktura, npr. PCA za kompresiju i vizualizaciju), **detektiranje anomalija** (pronalaženje outliera, npr. detektiranje prijevare i grešaka), i **asocijacija** (pronalaženje odnosa, npr. preporuke asocijacija) — pokriva praktične primjene, pomagajući prepoznati koje se zadaće uklapaju.

Razumijevanje **kada i zašto** — korištenje kada imate podatke ali bez oznaka (jer označavanje je skupo ili nedostupno), za istraživanje i razumijevanje podataka (otkrivanje nepoznatih obrazaca), i za pretprocesiranje (smanjenje dimenzionalnosti, klasteriranje kao značajke), s napomenom da je **teže procijeniti** (nema oznaka za usporedbu, trebam interpretacija) — odražava praktično razumijevanje.

Nenadgledano učenje je vrijedno za čest slučaj imanja neoznačenih podataka (koji su mnogo obimniji od označenih podataka) i za exploratornu analizu, detektiranje anomalija i pretprocesiranje.

Razumijevanje toga dovršava sliku ML-ovih glavnih tipova (nadgledano, nenadgledano, ojačavajuće učenje).

Budući da je nenadgledano učenje jedan od glavnih ML tipova (pronalaženje strukture u neoznačenim podacima, primjenjivo kada oznake nisu dostupne — čest slučaj) i razumijevanje kako funkcionira, njegovih zadaća (klasteriranje, smanjenje dimenzionalnosti, detektiranje anomalija) i kada ga koristiti nadopunjava znanje o nadgledanom učenju, razumijevanje kako funkcionira nenadgledano učenje je vrijedno, praktično relevantno ML znanje — jedan od glavnih ML tipova za pronalaženje strukture u neoznačenim podacima (klasteriranje, smanjenje dimenzionalnosti, detektiranje anomalija), primjenjivo na čest slučaj neoznačenih podataka, i dovršavanje razumijevanja ML-ovih glavnih pristupa.