Waarom is dit belangrijk?
Het opsporen van onverwachte afwijkingen in grote bestanden met meetgegevens wordt mogelijk voor verder onderzoek. In de zorg gebruiken onderzoekers leren zonder supervisie om patiëntgroepen met een vergelijkbaar ziektebeeld te herkennen en weefsel op medische scans te scheiden. Voor patiënten en zorgverleners blijft in de praktijk controle door een arts nodig, omdat de kwaliteit van zo'n indeling niet vanzelf vaststaat.
Zo werkt het in de praktijk
Google News groepeert berichten over hetzelfde nieuws met leren zonder supervisie. Artikelen van verschillende nieuwssites komen daarbij onder één onderwerp. In stadsstudies groeperen onderzoekers gegevens over verstedelijking, de gebouwde omgeving en stedelijke duurzaamheid.
Onderzoekers trainen modellen op tekst zonder labels, bijvoorbeeld op webteksten uit Common Crawl. Vaak passen zij zo'n model daarna aan voor een volgende taak. Een voorbeeld is het bijstellen van een model dat tekst maakt, zodat het teksten kan indelen.
Groeperen zonder labels is een dataminingtechniek binnen leren zonder supervisie. Dataminingdeskundigen gebruiken CRISP-DM als open stappenplan met zes fasen, van de vraag tot ingebruikname. Het plan begon als Europees project met onder meer Daimler en de verzekeraar OHRA.




