非監督式學習(Unsupervised Learning)

與監督學習相反，這種學習方法是用沒有經過標籤的原始數據集下去做訓練，目標是從未標籤數據中發現其結構或群集。這種無須事先對資料加以標籤，而是讓模型去自己發現資料的結構模式，常用在難以被分類的資料。

非監督式學習主要常見的幾種功能

1. 聚類(Clustering, 又稱分群): 目標是將數據集 中的資料分成不同的群集，使同群集內的資料彼此相似，而不同群集間差異大。常用於一比數據無法直接看出明確的關聯，但須要找出數據間的結構、相關性，這時就會使用聚類方法進行分析分群。像是市場消費者分析，商業客戶分群等等。
   
2. 降維(Dimensionality Reduction): 顧名思義就是將數據進行降維、簡化，但同時保留數據的重要特徵訊息。常用於當數據及過於複雜，特徵過多，又或是高維數據需要使他更好的被識別理解時。降維可以簡化數據，降低計算成本，只保留數據內需要的訊息，並且可以避免過度擬合(OverFitting)。
   

Example

在社交網絡中，可以幫助辨識在各種方面相似的用戶或群體，從而提升社交媒體平台用戶體驗的和改善社交分析。(聚類方法)
在音頻訊號的處理中，可以用在數據的特徵訊息保留和壓縮處理，可以幫助去除某些不必要的訊息，如躁聲，還可以節省儲存空間和傳輸頻寬。(降維方法)