解析：
敘述 2 錯誤：非監督式學習不需定義正確輸出類別。敘述 3 錯誤：半監督式學習同時使用標註和未標註資料，不是僅用未標註資料。敘述 4 錯誤：自監督式學習從資料本身產生訓練目標，不需人工逐筆標註。其餘敘述 1、5、6 皆正確。
你有沒有把一堆沒標籤的東西分門別類過？ 你可以把非監督式學習想成「沒有標準答案，模型自己找結構」 它常用來分群、找異常、做降維，先幫你看懂資料裡藏了什麼 在標籤很少或根本沒有標籤時，這種方法特別有價值
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
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。
iPAS 考試出題分析
根據歷年 iPAS AI 應用規劃師考古題統計，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。
常見出題方向包含：各類學習範式的定義與比較（佔 45%）、適用場景判斷（佔 35%）、演算法優缺點分析（佔 20%）。
範例考題
關於機器學習不同的學習模式，下列敘述何者錯誤？ 1. 監督式學習（Supervised Learning）透過已標註資料學習輸入與目標之間的對應關係，常見任務包含分類與數值預測。 2. 非監督式學習（Unsupervised Learning）雖不需標註資料，但通常需預先定義每筆資料的正確輸出類別以利模型收斂。 3. 半監督式學習（Semi-supervised Learning）在訓練過程中僅利用未標註資料進行特徵學習，並不涉及標註資料。 4. 自監督式學習（Self-supervised Learning）的訓練方式與監督式學習相同，皆需人工逐筆提供標註資料。 5. 強化式學習（Reinforcement Learning）透過與環境互動並依據回饋訊號調整策略，以優化決策行為。 6. 自監督式學習（Self-supervised Learning）通常利用資料本身產生訓練目標，以降低對人工標註資料的依賴。
- A. 2、3、6
- B. 2、4、5
- C. 1、3、6
- D. 2、3、4 ✓ 正確答案
下列何者不符合非監督式學習（Unsupervised Learning）的典型特徵？
- A. 模型可依據資料中的特徵相似性進行自動分群
- B. 訓練過程中不需仰賴事先定義的標籤資料
- C. 常用於探索資料的潛在結構或隱含模式
- D. 模型主要學習輸入特徵與既定目標標記之間的對應關係 ✓ 正確答案
解析：
非監督式學習的特點是不使用標籤資料，透過資料本身的結構進行分群或降維等任務。學習輸入特徵與目標標記之間的對應關係是監督式學習的特徵，不屬於非監督式學習。