非監督式學習（Unsupervised Learning）的定義為何？

在解決許多實務上的問題時，乾淨又標記完整的數據並非如此容易取得，而研究團隊時常問出自己也不知答案方向的問題，也就是說，當不知如何分類數據，或是需要演算法去尋找同樣模式時，無監督式學習將可以提供很大的幫助。

非監督式學習接收未被標記的數據，並通過演算法根據常見的模式、特色、或是其他因素將數據分類。例如，可能團隊手上有一大組的小狗圖片，然而這些圖片都沒有標記出各個小狗是什麼種類，這時，團隊即可帶入無監督式學習的演算法來做分類，輸出則是演算法根據不同特色的小狗所做的分類。

其他常見的實務案例包括，顧客旅程分析（利用消費者在網頁上的顧顧客旅程做行為分析，並以此歸納出不同購買模式的消費者）、或是尋找異常值（銀行透過信用卡使用紀錄來判斷是否某筆交易為詐欺）。

常見的演算法及其商業應用

集群分析​​(K-means Clustering​​)

將數據分成不同的群組當中（k個群組），而演算法會自動將具備像似特性的數據歸類為一組。在數據的維度相似、且是連續性的數值時，k-means會是非常合適的選擇。

• 分類消費者以優化行銷活動或是避免客戶流失
• 判斷信用交易、保險金融等活動是否異常（詐欺）
• 幫助歸類IT技術建設內不同的警訊

混合模型​​(Gaussian Mixture Model​​)

混合模型是一個可用來表示總體分佈中含有k個子分布的概率模型。也就是說，混合模型表示了數據在總體中的概率分佈，是個由k個子分佈所組成的混合分佈。 可以把它想成是k-menas的一般化，但在cluster的形狀以及大小中有更多的自由度。

• 從語音數據中做特徵提取
• 在影片檔案中，做多種物件的追蹤
• 利用更不明顯的數據特徵，以區別客群，優化行銷活動

階層式分群​​(Hierarchical Clustering​​)

將資料在一個階層式的樹狀上，反覆的利用拆分以及聚合的方式建立出一個分類系統。階層式分群的優勢在於它使用上的簡單性以及能夠在小數據上操作，然而卻非常難處理大型的資料。

• 更細微的區分客群或用戶
• 通過社群媒體分析來判斷產品使用程度