L'apprentissage non supervisé est une branche du machine learning où le modèle trouve des motifs et une structure dans des données sans exemples étiquetés ni guidance humaine. Les tâches les plus courantes sont le clustering (regrouper des éléments similaires) et la réduction de dimensionnalité (compresser des caractéristiques). Il est utile quand les étiquettes sont coûteuses ou impossibles à obtenir : un détaillant découvre des segments naturels de clients, un chercheur identifie des groupes de gènes, et un système de sécurité détecte un comportement réseau inhabituel.