昨天有說到可以使用少量的標記資料和大量未標記資料來做訓練，但即便是這樣的訓練方式，仍然會需要請專家進行標記，還是會要耗費時間與成本

但有一種學習方法不需要定義數據的答案，那就是

非監督式學習(Unsupervised learning)

在訓練一個模型時，使用的訓練資料全部都沒有答案，讓機器自己從訓練資料集中探索資料點之間有價值的關係資訊，然後模型會將這些發現到的規則運用到測試輸入上，以獲得類似的見解來進行預測。

這種不需要進行標記的方法，因為在資料的準備上較為容易，對我們來說相對簡單；但對於電腦而言較為困難，因為預測的結果無法進行準確的評估，導致誤差可能會較大

我們將在後面討論的降維方法，就算是非監督式學習的一個例子，

降維

原始數據會處在一個比較高的維度座標上，降維方法會刪除一些相關性較低的資訊，找到一個較低維度的座標來描述該數據，使得新的座標不會失去資料本身的特性

應用

非監督式學習很適合用在沒有絕對標準答案的情境上，
像是大家比較有感的可能是推薦系統了，為什麼 YouTube、Google 推薦給我的東西會這麼符合我的喜好?
原因就在於它會找尋跟你有相似性的使用者，並分析他們曾經瀏覽過的內容，然後根據這些資訊來做出個性化的推薦（想法：如果某人和我有相似的瀏覽紀錄或喜好，那麼他們喜歡的東西我可能也會喜歡）