Artikeln utforskar oövervakad datamärkning, en avgörande aspekt inom maskininlärning som syftar till att tilldela etiketter till datapunkter utan förhandsmärkta träningsdata. Den beskriver olika tekniker för oövervakad datamärkning, inklusive klusteralgoritmer som k-means, hierarkisk klustring, DBSCAN och Gaussian Mixture Models, samt dimensionella reduktionstekniker som PCA, t-SNE och Autoencoders. Aktivt lärande presenteras som ett sätt att förbättra effektiviteten och kvaliteten i oövervakad datamärkning genom att intelligent välja ut instanser för manuell annotering. Viktiga utvärderingsmått för oövervakad inlärning, såsom silhuettkoefficienten, renhet och normaliserad ömsesidig information (NMI), belyses för att bedöma modellernas prestanda.