无监督学习

无监督学习（英语：unsupervised learning），又称非监督式学习，是机器学习的一种方法，没有给定事先标记过的训练示例，自动对输入的资料进行分类或分群。无监督学习的主要运用包含：聚类分析（cluster analysis）、关系规则（association rule）、维度缩减（dimensionality reduce）。它是监督式学习和强化学习等策略之外的一种选择。

一个常见的无监督学习是数据聚类。在人工神经网络中，生成对抗网络（GAN）、自组织映射（SOM）和适应性共振理论（ART）则是最常用的非监督式学习。

ART模型允许集群的个数可随着问题的大小而变动，并让用户控制成员和同一个集群之间的相似度分数，其方式为透过一个由用户自定而被称为警觉参数的常量。ART也用于模式识别，如自动目标识别和数码信号处理。第一个版本为"ART1"，是由卡本特和葛罗斯柏格所发展的。

方法

非监督式学习常使用的方法有很多种，包括：

分群法
异常检测
自编码
深度置信网络（英语：Deep belief network）
赫布学习
生成对抗网络
自组织映射
学习潜在变量模型的方法
- 最大期望算法
- 矩估计
- 盲信号分离技术，例如：
  - 主成分分析
  - 独立成分分析
  - 非负矩阵分解（英语：Non-negative matrix factorization）
  - 奇异值分解

另见

参考文献

Geoffrey Hinton, Terrence J. Sejnowski（editors，1999) Unsupervised Learning and Map Formation: Foundations of Neural Computation, MIT Press, ISBN 0-262-58168-X（这本书专注于人工神经网络的非监督式学习）
S. Kotsiantis, P. Pintelas, Recent Advances in Clustering: A Brief Survey, WSEAS Transactions on Information Science and Applications, Vol 1, No 1 (73-81), 2004.
Richard O. Duda, Peter E. Hart, David G. Stork. Unsupervised Learning and Clustering, Ch. 10 in Pattern classification (2nd edition), p. 571, Wiley, New York, ISBN 0-471-05669-3, 2001.