El aprendizaje no supervisado es una de las técnicas que utiliza el aprendizaje automático (machine learning), junto con el aprendizaje supervisado, para enseñar a los ordenadores a aprender de la experiencia. Al igual que el aprendizaje supervisado, el aprendizaje no supervisado utiliza un conjunto de datos, pero, a diferencia de aquél, sin unas respuestas etiquetadas que vayan unidas a esos datos. Utiliza algoritmos de machine learning para analizar y agrupar en clústeres conjuntos de datos sin etiquetar. Estos algoritmos descubren agrupaciones de datos o patrones ocultos sin necesidad de ninguna intervención humana.
El objetivo es desentrañar la estructura de los datos. De esta forma, los datos de entrada se utilizan como un conjunto de variables aleatorias, y de esos datos se extraen patrones ocultos, estructuras intrínsecas o agrupaciones de datos. Es decir, las técnicas de aprendizaje no supervisado habitualmente lo que tratan es de aprender algún tipo de estructura que es subyacente a los datos, bien identificando los elementos similares -que están cerca unos de otros-, y los no similares -que están más lejos entre sí-, o bien identificando grupos de elementos similares entre sí y distintos de los datos de otros grupos. En resumen, tratan de predecir un resultado a partir de los datos dados.
Esta técnica destaca, por tanto, por su capacidad para identificar similitudes y diferencias en la información. Por ello, es la más utilizada para la segmentación, el reconocimiento de imágenes o las estrategias de venta cruzada.