Sinir ağları, girdi verilerinin daha iyi temsilini öğrenmek için denetimsiz öğrenmede yaygın olarak kullanılmaktadır. Örneğin, bir dizi metin dokümanı verildiğinde, NN, elde edilen vektörlerin benzer içeriğe sahip dokümanlar için benzer, yani uzaklığı koruyacak şekilde, dokümandan gerçek değerli vektöre bir eşlemeyi öğrenebilir. Bu, örneğin, otomatik kodlayıcılar - orijinal vektörü yeniden yapılandırma hatasıyla (ID fonksiyonundan uzaklık) maliyet fonksiyonu olarak yeniden yapılandırmak için eğitilmiş bir model olan otomatik kodlayıcılar kullanılarak gerçekleştirilebilir. Bu işlem size kümeler vermez, ancak kümeleme için kullanılabilecek anlamlı temsiller oluşturur. Örneğin, gizli katman aktivasyonları üzerinde bir kümeleme algoritması çalıştırabilirsiniz.
Kümeleme: Kümeleme için özel olarak tasarlanmış birkaç farklı NN mimarisi vardır. En yaygın olarak bilinenler muhtemelen kendi kendini düzenleyen haritalar. SOM, topolojik bir ızgara (genellikle dikdörtgen) oluşturmak üzere bağlı bir dizi nöron içeren bir NN'dir. Bir desen SOM'a sunulduğunda, en yakın ağırlık vektörüne sahip olan nöron kazanan olarak kabul edilir ve ağırlıkları, kalıbın yanı sıra mahallesinin ağırlıkları için de uyarlanır. Bu şekilde bir SOM doğal olarak veri kümelerini bulur. Bir miktar ilgili algoritma sinir gazı büyütüyor (önceden tanımlanmış nöron sayısı ile sınırlı değil).
Diğer bir yaklaşım ise iki katmana sahip olduğumuz Adaptif Rezonans Teorisidir: "karşılaştırma alanı" ve "tanıma alanı". Tanıma alanı ayrıca karşılaştırma alanından transfer edilen vektör ile en iyi eşleşmeyi (nöron) belirler ve ayrıca yanal engelleyici bağlantılara sahiptir. Uygulama detayları ve tam denklemler bu modellerin isimlerini google tarafından kolayca bulunabilir, bu yüzden onları buraya koymayacağım.