Paradigme d'apprentissage où le modèle découvre des structures et patterns dans des données non étiquetées, sans supervision humaine. Les trois grandes tâches sont le clustering (regrouper des points similaires : K-means, DBSCAN), la réduction de dimension (compresser les données en préservant l'information : PCA, UMAP) et la détection d'anomalies (identifier les points atypiques : Isolation Forest, Autoencoders). L'évaluation est plus subjective qu'en supervisé car il n'y a pas de vérité terrain. Souvent utilisé pour l'exploration exploratoire, la segmentation client, ou en pré-traitement avant un apprentissage supervisé.