Hindi pinapatnubayang pagkatuto

Sa pagkatuto ng makina, ang hindi pinapatnubayang pagkatuto (Ingles: Unsupervised Learning) ay tumutukoy sa problema ng paghahanap ng mga tagong istraktura sa isang hindi tinatakang data. Dahil sa ang mga halimbawang ibinigay sa isang tagatuto ay walang tatak, walang pagkakamali o gantimpalang hudyat upang suriin ang potensiyal na solusyon. Ito ang bumubukod dito sa pinapatnubayang pagkatuto at pagpipilit na pagkatuto. Ang hindi pinapatnubayang pagkatuto ay malapit na kaugnay ng problemang ng pagtatantiya ng densidad sa estadistika. Gayunpaman, ang hindi pinapatnubayang pagkatuto ay sumasakop rin sa ibang mga teknika na naghahangad na ibuod at ipaliwanag ang mahalagang mga feature(katangian) ng data. Maraming mga pamamaraan ang nilalapat sa hindi pinapatnubayang pagkatuto batay sa mga paraan ng pagmimina ng data na ginagamit sa paunang pagpoproseso ng data:

Ang mga pakikitungo sa Hindi pinapatnubayang pagkatuto ay kinabibilangan ng:

• pagkukumpol(e.g., k-means, mga pinaghalong modelo, hierarkikal na pagkukumpol)
• paghihiwalay ng bulag na hudyat gamit ang mga pagkakatas ng feature na teknika para sa pagpapaliit ng dimensiyonalidad(e.g. analisis ng pangunahing bahagi, analisis ng independiyenteng bahagi, hindi negatibong paktorisasyon ng matriks, dekomposisyon ng singular na halaga.

Sa mga modelong neural network, ang nagsasayos sa sariling mapa(SOM) at adaptibong teoriyang resonansiya(ART) ay karaniwang ginagamit na algoritmong hindi pinapatnubayang pagkatuto. Ang SOM ay isang topograpikong organisasyon kung saan ang malapit na mga lokasyon sa mapa ay kumakatawan sa mga input na may parehong mga katangian. Ang modelong ART ay pumapayag sa ilang mga gawaing pagkilala ng paterno gaya ng automatikong pagkilala ng inaasinta at seismikong pagpoproseso ng hudyat. Ang unang bersiyon ng ART ang ART1 na binuo nina Carpenter and Grossberg(1988).