無監督學習

無監督學習（英語：），又稱非監督式學習，是機器學習的一種方法，沒有給定事先標記過的訓練範例，自動對輸入的資料進行分類或分群。無監督學習的主要運用包含：聚类分析（cluster analysis）、關聯規則（association rule）、維度縮減（dimensionality reduce）。它是監督式學習和強化學習等策略之外的一種選擇。

机器学习与
范式 监督学习 無監督學習 線上機器學習 元学习 半监督学习 自监督学习 强化学习 基于规则的机器学习 量子機器學習
问题 统计分类 生成模型 迴歸分析 聚类分析 降维 密度估计 异常检测 数据清洗 自动机器学习 关联规则学习 語意分析 结构预测 特征工程 表征学习 排序学习 语法归纳 本体学习 多模态学习
监督学习 (分类 · 回归) 学徒学习 决策树学习 集成学习 Bagging 提升方法 随机森林 k-NN 線性回歸 朴素贝叶斯 人工神经网络 邏輯斯諦迴歸 感知器 相关向量机（RVM） 支持向量机（SVM） 迁移学习 微调
聚类分析 BIRCH CURE算法 层次 k-平均 Fuzzy 期望最大化（EM） DBSCAN OPTICS 均值飘移
降维 因素分析 CCA ICA LDA NMF PCA PGD t-SNE SDL
结构预测 圖模式 貝氏網路 條件隨機域 隐马尔可夫模型
异常检测 RANSAC k-NN 局部异常因子 孤立森林
人工神经网络 自编码器 認知計算 深度学习 DeepDream 多层感知器 RNN LSTM GRU ESN 储备池计算 受限玻尔兹曼机 GAN SOM CNN U-Net Transformer Vision transforme 脉冲神经网络 Memtransistor 电化学RAM（ECRAM）
强化学习 Q学习 SARSA 时序差分（TD） 多智能体 Self-play RLHF
与人类学习 主动学习 众包 Human-in-the-loop
模型诊断 学习曲线
数学基础 内核机器 偏差–方差困境 计算学习理论 经验风险最小化 奥卡姆学习 PAC学习 统计学习 VC理论
大会与出版物 NeurIPS ICML ICLR ML JMLR
相关条目 人工智能术语 机器学习研究数据集列表 机器学习概要

一個常見的無監督學習是数据聚类。在人工神經網路中，生成對抗網絡（GAN）、自組織映射（SOM）和適應性共振理論（ART）則是最常用的非監督式學習。

ART模型允許叢集的個數可隨著問題的大小而變動，並讓使用者控制成員和同一個叢集之間的相似度分數，其方式為透過一個由使用者自定而被稱為警覺參數的常數。ART也用於模式識別，如自動目標辨識和數位信號處理。第一個版本為"ART1"，是由卡本特和葛羅斯柏格所發展的。