Алгоритмы обучения "без учителя" (или unsupervised learning) — это такие алгоритмы, которые работают с данными без предварительных меток или надписей. Их основная задача — выявить скрытые структуры или закономерности в данных. Рассмотрим перечисленные алгоритмы и определим, какие из них не относятся к алгоритмам обучения "без учителя":

1. Пороговый алгоритм: Этот алгоритм обычно используется для принятия решений, основанных на сравнении значений с определенным порогом. В зависимости от реализации, он может относиться как к обучению с учителем, так и без учителя. Однако чаще всего он используется в контексте обучения с учителем, когда необходимо классифицировать данные на основе заранее известных меток.
2. Алгоритм построения линейной разделяющей функции: Этот алгоритм обычно относится к обучению с учителем, так как он используется для классификации данных на основе заранее известных меток. Примером может быть линейный дискриминантный анализ или персептрон.
3. Алгоритм MAXMIN: Это алгоритм кластеризации, который относится к обучению "без учителя". Он используется для разбиения данных на группы, основываясь на максимизации минимальных расстояний между кластерами.
4. Алгоритм построения нелинейной разделяющей функции: Как и в случае с линейной функцией, этот алгоритм чаще всего используется в контексте обучения с учителем для классификации данных с известными метками, но может также применяться в задачах кластеризации.
5. Алгоритм «К средних»: Это классический алгоритм кластеризации и, следовательно, относится к обучению "без учителя". Он используется для разбиения данных на кластеры, основываясь на среднем значении характеристик внутри каждого кластера.

Таким образом, алгоритмы, которые не относятся к алгоритмам обучения "без учителя", это:

• Пороговый алгоритм (в зависимости от контекста, но чаще всего используется в обучении с учителем).
• Алгоритм построения линейной разделяющей функции.
• Алгоритм построения нелинейной разделяющей функции.