Představte si, že dostanete obrovskou krabici plnou různých druhů ovoce a vaším úkolem je ji roztřídit, ale nikdo vám neřekne, jaké druhy ovoce v ní jsou. Začnete tedy ovoce zkoumat a dáváte si na hromádky to, co je si podobné – červená a kulatá jablka k sobě, žluté a zahnuté banány na jinou hromadu a malé červené kuličky jahod na třetí. Učení bez učitele funguje přesně takto. Počítač dostane data bez jakýchkoli popisků a sám v nich hledá podobnosti a vzory, aby je mohl roztřídit do logických skupin. Nepotřebuje „učitele“, který by mu říkal, co je správně; učí se pozorováním a porovnáváním.
Učení bez učitele (Unsupervised Learning) je paradigma strojového učení, kde algoritmus pracuje s datovým souborem, který neobsahuje žádné předem definované štítky ani cílové výstupy. Cílem modelu není predikovat správnou odpověď, ale samostatně identifikovat skryté vzory, struktury a vztahy přímo v datech. Hlavními úlohami řešenými pomocí učení bez učitele jsou shlukování (clustering), které seskupuje podobné datové body do clusterů, asociační pravidla (association rule mining), jež odhalují vztahy mezi proměnnými v datech, a redukce dimenze, která zjednodušuje data snížením počtu proměnných při zachování podstatných informací. Příkladem je segmentace zákazníků do skupin na základě jejich nákupního chování bez předchozí znalosti těchto skupin.