Kako deluje nenadzirano učenje?

Question

Accepted Answer

**Nenadzirano učenje** (unsupervised learning) v **podatkih brez oznaka** (unlabeled data) (brez podanih odgovorov) samostojno odkriva vzorce in strukturo — odkriva skupina, zmanjšuje dimenzionalnost ali zaznava anomalije. Uporabljamo ga, kadar imamo podatke vendar brez oznак, da odkrijem skrito strukturo.

## Kako deluje nenadzirano 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 naloge nenadzorovanega učenja

```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')
```

## Kdaj in zakaj

```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
```

## Zakaj je to pomembno

Razumevanje, kako deluje nenadzirano učenje, je dragocene znanje, ker je **eden glavnih tipov ML**, uporabljen kadar podatkom manjkajo oznake, zato razumevanje tega dopolnjuje znanje nadzorovanega učenja.

Nenadzirano učenje — iskanje vzorcev v podatkih brez oznak brez podanih odgovorov — se ukvarja s scenariji, kjer imate podatke vendar brez oznak.

Razumevanje **kako deluje** — algoritem najde strukturo in vzorce samostojno (brez pravega odgovora za učenje, odkrivanje skupin in odnosov) — pojasni razliko od nadzorovanega učenja (ki potrebuje oznake).

Razumevanje **glavnih nalog nenadzorovanega učenja** — **gručenje** (grupiranje podobnih podatkovnih točk, npr. segmentacija kupcev), **zmanjšanje dimenzionalnosti** (zmanjšanje značilk ob ohranitvi strukture, npr. PCA za kompresijo in vizualizacijo), **zaznava anomalij** (iskanje odbitkov, npr. zaznava goljufij in napak), in **asociacija** (iskanje odnosov, npr. asociacije za priporočila) — zajema praktične aplikacije, ki pomagajo prepoznati, katera se ujema s problemo.

Razumevanje **kdaj in zakaj** — uporaba, kadar imate podatke vendar brez oznak (ker je označevanje drago ali ni dostopno), za raziskovanje in razumevanje podatkov (odkrivanje neznanih vzorcev), in za predprocesiranje (zmanjšanje dimenzionalnosti, gručenje kot značilke), z opozorilom, da je **težje oceniti** (brez oznak za primerjavo, zahteva interpretacijo) — odraža praktično razumevanje.

Nenadzirano učenje je dragoceno za pogosto situacijo, da imate neoznačene podatke (ki so daleč bolj obsežni kot označeni podatki) in za raziskovalno analizo, zaznavo anomalij, in predprocesiranje.

Razumevanje tega dopolnjuje sliko glavnih tipov ML (nadzirano, nenadzirano, s posiljevanjem).

Ker je nenadzirano učenje eden glavnih tipov ML (iskanje strukture v neoznačenih podatkih, primerno, ko oznake niso na voljo — pogosta situacija) in razumevanje, kako deluje, njegovih nalog (gručenje, zmanjšanje dimenzionalnosti, zaznava anomalij), in kdaj ga uporabiti, dopolnjuje znanje nadzorovanega učenja, je razumevanje, kako deluje nenadzirano učenje, dragoceno, praktično relevantno znanje ML — eden glavnih tipov ML za iskanje strukture v neoznačenih podatkih (gručenje, zmanjšanje dimenzionalnosti, zaznava anomalij), primerno za pogosto situacijo neoznačenih podatkov, in dopolnjuje razumevanje glavnih pristopov ML.