Unsupervised Learning

非監督式學習（Unsupervised Learning）

是機器學習的一個分支，其目標是從未標記的數據中發現模式、結構或者隱藏的特徵，而不需要事先標記的目標變量。它通常用於尋找數據中的隱藏結構或分組，並且不需要預先了解數據的屬性。

非監督式學習的主要任務包括聚類（Clustering）、降維（Dimensionality Reduction）、密度估計（Density Estimation）等。

• 聚類：聚類是非監督式學習中最常見的任務之一，它將數據集中的樣本分為不同的組或者簇，使得同一組內的樣本相似度高，而不同組之間的樣本相似度較低。常用的聚類算法包括K-means、層次聚類（Hierarchical Clustering）、DBSCAN等。

• 降維：降維是將高維數據映射到低維空間的過程，目的是保留數據的重要特徵，同時減少數據的維度。降維可以幫助我們理解數據的結構、節省計算資源並且有助於可視化。常用的降維算法包括主成分分析（PCA）、核主成分分析（Kernel PCA）、局部線性嵌入（Locally Linear Embedding，LLE）等。

• 密度估計：密度估計是通過非監督式學習來評估數據的概率密度分佈，從而能夠對數據集進行概率建模或者檢測異常值。常用的密度估計算法包括高斯混合模型（Gaussian Mixture Model，GMM）、核密度估計（Kernel Density Estimation，KDE）等。

非監督式學習的優點包括不需要事先標記的目標變量、能夠發現數據中的隱含結構、有助於探索數據的內在關係等。然而，由於缺少標記信息，非監督式學習的結果可能不夠可解釋性，需要通過領域知識和後續分析來解釋和驗證。