Uczenie nienadzorowane (Unsupervised Learning) – znajdowanie wzorców w danych bez etykiet.

Jest to jedna z podstawowych metod uczenia maszynowego, w której algorytmy analizują dane wejściowe bez uprzednio przypisanych etykiet lub klas. Celem jest wykrywanie ukrytych struktur, wzorców lub zależności pomiędzy danymi, co umożliwia ich organizację, segmentację czy redukcję wymiarowości. Techniki tego rodzaju znajdują zastosowanie w wielu dziedzinach, takich jak analiza obrazów, rozpoznawanie wzorców czy eksploracja danych.

Proces opiera się na wykrywaniu naturalnych grup czy klastrów oraz na ekstrakcji istotnych cech, które mogą służyć dalszej analizie lub klasyfikacji. Popularne algorytmy wykorzystywane w tym obszarze to m.in. k-średnich, hierarchiczne grupowanie oraz metody redukcji wymiarowości, takie jak analiza głównych składowych (PCA). Jako że brak jest etykiet, ocena jakości uzyskanych wyników bywa bardziej złożona i często wymaga dodatkowej interpretacji bądź zastosowania metod oceny wewnętrznej.