非監督式學習（Unsupervised Learning）是指在沒有標籤資料的情況下，
從資料中學習結構、分布或**潛在表示（latent representation）**的機器學習方法。

監督式與非監督式學習 - 機器學習演算法之間的區別 - AWS

What Is Unsupervised Learning?

若 Supervised Learning (監督式學習) 是從 x -> y 學輸入與答案的對應，
那非監督式學習更像是在問：

• 這批資料能不能自然分成幾群？
• 高維資料能不能壓縮成較低維的表示？
• 有沒有樣本明顯偏離整體分布？
• 資料背後是否存在可重用的 latent representation？

因此它常被用來做探索資料（exploratory analysis），或當成後續任務前的表示學習 / 前處理。

常見任務

1. Clustering（分群）

   • 目標：把相似的資料自動分到同一群
   • 例子：使用者分群、商品分群、文件主題分群
   • 常見方法：K-means、Hierarchical Clustering、DBSCAN

2. Dimensionality Reduction（降維）

   • 目標：把高維資料壓縮成低維表示，同時盡量保留重要資訊
   • 用途：視覺化、壓縮、去雜訊、特徵抽取
   • 常見方法：PCA、t-SNE、UMAP、Auto-Encoder (自編碼器)
   • 補充：
     • PCA 偏向線性降維
     • t-SNE、UMAP 更常用於高維資料的視覺化，不一定適合作為通用特徵壓縮方法

3. Anomaly Detection（異常偵測）

   • 目標：找出和大多數資料分布差很多的樣本
   • 例子：詐欺交易、設備故障、入侵偵測、醫療影像中的異常區域
   • 補充：異常偵測不一定全屬於 unsupervised，也常以 semi-supervised 方式實作，例如只用正常資料建模

4. Density Estimation（密度估計）

   • 目標：學習資料本身的機率分布
   • 用途：生成模型、likelihood estimation、異常偵測
   • 常見方法：Gaussian Mixture Model（GMM）、Kernel Density Estimation、VAE, Variational Autoencoder

核心特徵

• 沒有標註答案：資料通常只有輸入，沒有正確輸出可直接對照
• 偏向發現結構：模型關心的是資料之間的距離、密度、分布與潛在空間
• 常作為前處理：可先抽出較好的表示，再接到分類、檢索或推薦系統
• 評估較困難：因為沒有標準答案，常需要搭配視覺化、業務指標或下游任務效果判斷

Representation Learning

非監督式學習的一個重要目的，是學到可重用的表示（representation）：

x -> encoder -> z

其中 z 可以視為資料的 latent representation。
這種表示之後可被用在：

• classification
• retrieval
• recommendation
• clustering

典型例子：

• Word2Vec
• Auto-Encoder (自編碼器)
• contrastive learning

與監督式學習的差異

典型例子

什麼時候適合用

• 手上資料很多，但幾乎沒有標籤
• 尚在探索資料，不確定有哪些模式
• 想先做特徵壓縮、表示學習、去雜訊
• 想先把資料分群，再交給人工命名或後續監督式模型

小結