Diese Kategorie widmet sich unüberwachten Lernverfahren zur Aufdeckung von Strukturen in nicht beschrifteten Datensätzen durch das Gruppieren ähnlicher Datenpunkte. Zum Einsatz kommen Methoden wie k-Means, hierarchisches Clustering, dichtebasierte Modelle und moderne Deep-Clustering-Ansätze. Typische Anwendungen sind die Exploration von Daten, Hypothesengenerierung oder die Stratifizierung von Patientengruppen – etwa bei der Identifikation neuer Krankheitsuntertypen aus Multi-Omics-Daten mittels Spektral-Clustering, der Entdeckung genregulierter Module über verschiedene Gewebe hinweg oder der Gruppierung von Patienten anhand von Metabolomprofilen mit tief eingebetteten Clustermethoden.