從未標籤資料中發現隱藏模式
非監督式學習是機器學習中不使用標籤資料進行訓練的學習範式。演算法需要自動發現資料中的規律、模式和結構。由於不需要人類標註標籤，非監督式學習可以處理大規模未標記的資料，在資料探索、異常檢測、資料壓縮等場景中非常有用。
將相似資料點分為同一群組。常用演算法：K-Means（基於距離的硬分群）、DBSCAN（基於密度的分群）、GMM（軟分群）。應用：客戶細分、影像分割、社群網絡分析。
將高維資料映射到低維空間，保留重要結構。常用演算法：PCA（主成分分析）、t-SNE（可視化）、UMAP。應用：資料可視化、雜訊過濾、特徵提取。
發現資料中變數之間的關聯關係。典型演算法是 Apriori，用於購物籃分析，發現「買尿布的人也買啤酒」這類規則。
識別與大多數資料顯著不同的異常點。應用：金融欺詐檢測、設備故障預警、網路入侵檢測。
| 特性 | 監督式學習 | 非監督式學習 |
|---|---|---|
| 訓練資料 | 需要標籤 (x, y) | 不需要標籤 x |
| 目標 | 學習輸入到輸出的映射 | 學習資料的內在結構 |
| 「老師」 | 需要標籤指導 | 自主探索發現 |
| 任務 | 分類、迴歸 | 聚類、降維、關聯規則 |
| 評估 | 有明確指標（準確率等） | 無絕對標準（需內在評估） |