前面介紹過非監督式學習的特點了分別是服用事前標註資料，他就會從多筆資料中篩選出資料的特徵，並進行分類。今天我們要聊的是非監督式學習的演算法

非監督式學習相關演算法

K-Means:

K-Means主要用於數據分群與資料分類。該演算法將資料集的數據點分為K個不同的群集，其中K是預先指定的數量。它的工作方式如下:

例如當你今天要分析男女性別購買咖啡的比重時:

(1)初始化: 隨機選擇K個初始中心點，通常是從資料集中選取的數據點。
e.g., 我們一開始可以將k設為2，來代表男性和女性。

(2)分配: 將每個數據點分配到最接近的中心點所代表的群集。
e.g., 將男性和女性分為兩個不同的群集。

(3)更新: 計算每個群集的新中心點，通過取該群集內所有數據點的平均值。
e.g., 我們可以根據第(2)步計算每個性別（男性和女性）的平均購買咖啡比重，並將其作為新的中心點。

(4)重複: 重複步驟2和步驟3，直到中心點不再改變或達到預定的停止條件。

Clustering

屬於k-means的子集合，一樣主要用於分類。且步驟類似於K-Means，就不再贅述了。

PCA

PCA是一種數據降維技術，主要用於**降低多維數據的複雜性。**它通過找到數據中的主要變化方向，將原始特徵轉換成新的、線性無關的特徵，這些新特徵稱為主成分。這使得數據可以在更低維度下表示，同時保留了大部分重要信息，減少了計算和儲存的成本。

GAN

GAN主要用來生成逼真的假圖片。他有兩個主要部分，分別為生成網路及判別網路。生成網路的工作為努力創造樣本提供的真實圖片，而判別網路則試著分辨圖片真假。他的目標是要讓判別網路無法判斷照片的真假，當判別網路判斷不出來時，則GAN就達成目標了。之前很火紅的案子-YTR小玉換臉，就是利用此技術達成的。