非監督式學習 是什麼？

Unsupervised Learning — 非監督式學習 的完整解釋

非監督式學習是機器學習方法，讓模型在沒有標籤的輸入資料中，自行探索隱藏的結構與模式

容易混淆

非監督式學習 vs 監督式學習 非監督式學習沒有答案標籤 監督式學習有答案標籤 最關鍵的區別：有沒有標準答案

非監督式學習 vs 分群 非監督式學習是大範圍方法 分群只是其中一種任務 最關鍵的區別：整體方法和子任務

非監督式學習 vs 自動分類 非監督式學習不會直接給你正確類別 它先找相似性和結構 最關鍵的區別：找結構不等於直接貼標籤

記住這句就好

沒答案時，先讓資料自己說出規律。

實際案例

客戶分群 把大量消費紀錄分成幾群，再針對不同群做不同行銷

異常偵測 先學正常資料長什麼樣，再找出很不一樣的點

算法與應用

| 分群 | 找出相似樣本群 | 像 K-means | | 異常偵測 | 找出偏離常態的資料 | 像 Isolation Forest | | 降維 | 把高維資料壓成較低維 | 像 PCA | | 關聯規則 | 找出常一起出現的項目 | 像購物籃分析 |

情境判斷

Q1（直覺題）：資料完全沒有標籤，先想看大概分成幾類，適合用它嗎？ → 適合，這就是非監督式學習很典型的起點。

Q2（判斷題）：如果你已經有很多可靠標籤，還一定要用非監督式學習嗎？ → 不一定，有標籤時監督式學習通常更直接。

非監督式學習 在 iPAS 考試中的重點

根據歷年統計，非監督式學習 相關題目 平均佔 AI 技術類考題 7%， 屬於高頻考範圍。

常見出題方向：各類學習範式的定義與比較（45%）、適用場景判斷（35%）、演算法優缺點分析（20%）。

常見問題

非監督式學習是不是比較不準？

不能這樣比，因為它通常沒有唯一標準答案，重點是結構有沒有用。

它只能做分群嗎？

不是，異常偵測、降維和關聯規則也都屬於它。

結果一定代表真實世界的類別嗎？

不一定，模型只是找相似性，還要回到場景裡驗證。