Ve strojovém učení je učení bez dozoru třídou problémů, v níž se člověk snaží zjistit, jak jsou data uspořádána. Od učení pod dohledem (a posilování učení) se odlišuje tím, že studující dostává pouze neoznačené příklady.
Nekontrolované učení úzce souvisí s problémem odhadu hustoty ve statistice. Nekontrolované učení však zahrnuje i mnoho dalších technik, které se snaží shrnout a vysvětlit klíčové rysy dat.
Mezi modely neuronových sítí se běžně používají samoorganizující se mapa (SOM) a adaptivní rezonanční teorie (ART). SOM je topografická organizace, ve které okolní místa v mapě představují vstupy s podobnými vlastnostmi. Model ART umožňuje, aby se počet clusterů měnil s velikostí problému a umožňuje uživateli kontrolovat stupeň podobnosti mezi členy stejných clusterů pomocí uživatelem definované konstanty zvané parametr vigilance. Sítě ART se také používají pro mnoho úloh rozpoznávání vzorů, jako je automatické rozpoznávání cíle a zpracování seismických signálů. První verze ART byla „ART1“, vyvinutá Carpenterem a Grossbergem(1988).