Aplikacja firmy musi automatycznie grupować podobnych klientów i produkty na podstawie atrybutów, bez etykietowanych wyników. Jakie podejście uczenia maszynowego powinna zastosować firma?

Uczenie nienadzorowane jest właściwym podejściem, ponieważ koncentruje się na znajdowaniu ukrytych wzorców i struktur w danych bez etykiet. W tym przypadku aplikacja ma grupować podobnych klientów i produkty, co jest klasycznym zadaniem grupowania (clustering), będącym podkategorią uczenia nienadzorowanego. Algorytmy takie jak K-Means lub hierarchiczne grupowanie mogą być użyte do identyfikacji naturalnych grup w danych atrybutów. Uczenie nadzorowane wymaga etykietowanych danych wyjściowych do trenowania modelu, co nie jest dostępne w tym scenariuszu. Uczenie ze wzmocnieniem jest używane do podejmowania decyzji w środowisku dynamicznym, a nie do grupowania danych. Uczenie częściowo nadzorowane wykorzystuje niewielką ilość etykietowanych danych wraz z dużą ilością danych nieetykietowanych, co również nie pasuje do opisu problemu, który wyraźnie stwierdza brak etykietowanych wyników.