無監督學習

無監督學習（英語：unsupervised learning），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：聚類分析（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。

一個常見的無監督學習是數據聚類。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。

方法

非監督式學習常使用的方法有很多種，包括：

• 分群法
  • K-平均演算法
  • 混合模型
  • 層次聚類
• 異常檢測
• 自編碼
• 深度置信網絡（英語：Deep belief network）
• 赫布學習
• 生成對抗網路
• 自組織映射
• 學習潛在變數模型的方法
  • 最大期望演算法
  • 矩估計
  • 盲信號分離技術，例如：
    • 主成份分析
    • 獨立成份分析
    • 非負矩陣分解（英語：Non-negative matrix factorization）
    • 奇異值分解

另見

• 無監督式學習網路
• 人工神經網路
• 數據聚類
• 最大期望演算法

參考文獻

• Geoffrey Hinton, Terrence J. Sejnowski（editors，1999) Unsupervised Learning and Map Formation: Foundations of Neural Computation, MIT Press, ISBN 0-262-58168-X（這本書專注於人工神經網路的非監督式學習）
• 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.