Lernen oder Trainieren aus nicht gelabelten Daten [unlabelled data] ohne direkte Aufsicht. Neuronale Netze werden erstellt und dann wird beobachtet, wie sie in der realen Welt funktionieren. Als Ergebnis der globalen Funktionsweise wird das neuronale Netz weiter angepasst. Es sind keine Referenzdaten [ground truth data] erforderlich, und die Eingabedaten werden z.B. geclustert.
Typische Beispiele für nicht überwachte oder unüberwachte Verfahren: kompetitives Lernen, selbstorganisierende Karten [Self-Organising Maps, SOM], selbstorganisierende Merkmalskarten [Self-Organising Feature Maps, SOFM], Kohonen-Karten, topologische Karten, neuronales Gas, Clustering mit neuronalen Netzen, Erkennung von Anomalien, Kontrastive-Divergenz-Algorithmen [Contrastive Divergence Algorithms], Erwartungs-Maximierung [Expectation-Maximisation, EM], Spike-Timing-Dependent Plasticity [STDP], Variationsinferenz, Wake-Sleep-Algorithmen, Hebbsches Lernen, Hebbsche Lernregel, Ojasche Lernregel, BCM-Regel.