2.2. Unüberwachtes Lernen (Unsupervised Learning)

Beim sog. unüberwachten Lernen bekommt der Algorithmus keine Trainingsdaten und keinen Hinweis auf das gewünschte Ergebnis, sondern er soll Strukturen bzw. Zusammenhänge in den Daten erkennen. Er kann so z. B. ungewöhnliche Ereignisse finden, sog. „Outlier“. Das wird angewendet, um z. B. Hackerangriffe auf Computernetzwerke anhand auffällig anderer Anfragen aus dem Netz zu erkennen. Ein anderer wichtiger Anwendungsfall ist die Clusteranalyse, sprich die Suche nach „natürlichen“ Gruppen oder Daten mit ähnlichen Eigenschaften. Diese Verfahren sind geeignet, um Cliquen in sozialen Netzwerken zu identifizieren oder Kunden zu „clustern“.

Amazon beispielsweise wendet eine Mischung aus überwachten und nicht überwachten Verfahren an: Angaben wie „Kunden wie Sie interessierten sich auch für …“ oder „Inspiriert von Ihren Shopping-Trends“ (s. Abbildung 7) beruhen zum Teil auf dieser Clusteranalyse, die darauf schließt, dass die Käufer von Produkt A oft auch Produkt B kaufen. 

Abbildung 7 (*Q11): Kaufempfehlungen von Amazon 

Der Algorithmus sortiert hierfür die Menschen in verschiedene Gruppen. Im Endeffekt liefert das Kundenverhalten die Trainingsdaten für den Algorithmus: Wird z. B. ein Produkt nach Empfehlung gekauft, bestätigt dies die Einschätzung des Algorithmus (*Q1).

- 6 -