在前面的監督學習中，已獲取的資料集中包含正確答案，因此計算機可以通過學習來發現資料和正確答案之間的關係，進而進行預測。接下來，我們要計算機學習那些為賦予正確答案的資料。

情景一:

谷歌新聞每天都會收集成千上萬的新聞，然後將他們聚合稱為不同的類別，形成新聞專題。

情景二：

拿來一些不同的個體和他們的基因，檢測它們是否擁有某個特定的基因，這時可以執行聚類演算法，將類似的個體聚合起來，就能顯示出有多少種特定的基因存在。

情景三：

管理大型計算機叢集，管理人員希望知道那些更適合於協作的機器，然後把這些機器放在一起，就能有效提高系統的執行效率和穩定性。

情景四：

社交網路分析， 分析你的哪些朋友屬於最親密的朋友組，哪些僅僅是認識的朋友等等

情景五：

市場分割，許多公司擁有龐大的客戶資訊資料庫，如果給你一個客戶資料集，你能否自動找出不同的市場分割，例如高消費群體，低消費群體等等

情景六：

天文資料分析，通過聚類演算法發現星系如何誕生等等

情景七

雞尾酒會上大家在同時相互交談，整個環境的聲音嘈雜，在這種情況下你可能會聽不清楚坐在你對面的人在講什麼，無監督演算法會設法從嘈雜的環境當中提取出你對面人說的內容。

總結

無監督學習：一種能夠從已知資料中發現結構資訊的學習方式

小測驗：

下面那些例子是非監督學習？
a. 在郵件已經分類的基礎上，訓練一個垃圾郵件分類器
b. 給一些文章進行聚合，是類似的出現在同一組中 √
c. 在消費者資料庫的基礎上，做市場細分 √
d. 在已知病人是否是糖尿病的基礎上，訓練一個糖尿病的分類器