الخريطة الذاتية التنظيمية (Self-Organizing Map - SOM) هي نموذج عصبي مستوحى من الدماغ يُعد واعداً للغاية للتعلم غير المشرف، خاصة في التطبيقات المدمجة. ومع ذلك، فإنها غير قادرة على تعلم النماذج الأولية الفعالة عند التعامل مع مجموعات بيانات معقدة. في هذا العمل، نقترح تحسين أداء الخريطة الذاتية التنظيمية باستخدام الخصائص المستخرجة بدلاً من البيانات الخام. نقوم بإجراء دراسة مقارنة لدقة تصنيف الخريطة الذاتية التنظيمية مع استخراج الخصائص غير المشرف باستخدام طريقتين مختلفتين: طريقة التعلم الآلي باستخدام الترميز التلقائي الشفاف بالتحويلات النادرة (Sparse Convolutional Auto-Encoders) والتعلم القائم على التدرج، وطريقة العلوم العصبية باستخدام الشبكات العصبية المتفلتة (Spiking Neural Networks) والتعلم القائم على توقيت النبضات وتغير البلاستيسيتي (Spike Timing Dependant Plasticity). يتم تدريب الخريطة الذاتية التنظيمية على الخصائص المستخرجة، ثم يتم استخدام عدد قليل جداً من العينات المصنفة لتسمية العصبونات بفئاتهم المقابلة. ندرس تأثير خرائط الخصائص، حجم الخريطة الذاتية التنظيمية، وحجم مجموعة العينات المصنفة على دقة التصنيف باستخدام طرق استخراج الخصائص المختلفة. نحسن دقة تصنيف الخريطة الذاتية التنظيمية بنسبة +6.09٪ ونصل إلى أداء رائد في مجال تصنيف الصور غير المشرف.