监督式学习中已经给出了特征和标签，相当于告诉了机器正确答案，让机器去学习；而非监督式学习中，所有数据都是一样，机器不知道他们的特征，所以机器要根据算法进行聚类，找出相近的数据特征并进行分类。
在非监督学习中，我们用的数据会和监督学习里的有些不一样，在非监督学习中，没有属性或标签这一概念，也就是说所有的数据，都是一样的，没有区别，所以在非监督学习中，我们只有一个数据集，没人告诉我们该怎么做，我们也不知道，每个数据点究竟是什么意思，相反，它只告诉我们：现在有一个数据集，你能在其中找到某种结构吗？
监督学习：
非监督学习：
对于给定的数据集，非监督学习算法可能判定，该数据集包含两个不同的聚类，如下图所示：
我们使用标记标出了两个聚类，非监督学习算法，会把这些数据分成两个不同的聚类，这就是所谓的聚类算法，实际上它被用在许多地方。
我们来举一个聚类算法的例子，Google新闻的例子：你可以到 news.google.com 去看看，谷歌新闻每天都在干什么呢？他们每天会去收集成千上万的网络上的新闻，然后将他们分组，组成一个个新闻专题；谷歌新闻所做的就是，去搜索成千上万条新闻数据，然后自动的将他们根据一定特征聚合在一起，因此，有关同一主题的，新闻被显示在一起。
实际上，聚类算法和非监督学习算法，也可以被用于许多其他的问题，这里我们举个它在基因组学中的应用，下面是一个关于基因芯片的例子：
基本的思想是，给定一组不同的个体，对于每个个体，检测它们是否拥有某个特定的基因；也就是说：你要去分析有多少基因显现出来了；因此，这些颜色：红、绿、灰...等等，它们，展示了这些不同的个体是否拥有一个特定基因的不同程度；你能做的就是运行一个聚类算法，把不同的个体归入不同的类，或归为不同类型的人，这就是非监督学习，我们没有提前告知这个算法，哪些是第一类的人，哪些是第二类的人，哪些是第三类的人等等，相反我们只是告诉算法，你看，这儿有一堆数据，我不知道这个数据是什么东东，我不知道里面都有些什么类型，叫什么名字，我甚至不知道都有哪些类型，但是，请问你可以自动的找到这些数据中的类型吗？然后机器自动地按得到的类型把这些个体分类，虽然事先我并不知道哪些类型，因为对于这些数据样本来说，我们没有给算法一个正确答案，所以，这就是非监督学习。
非监督学习或聚类算法在其他领域也有着大量的应用，它被用于社交网络的分析，比如：如果可以得知，哪些朋友你用email联系的最多，或者知道你的Facebook好友，或者你Google+里的朋友，知道了这些之后，我们是否可以自动识别，哪些是很要好的朋友组，哪些仅仅是互相认识的朋友组。
还有在市场分割中的应用，许多公司拥有庞大的客户信息数据库，那么，给你一个客户数据集，你能否自动找出不同的市场分割，并自动将你的客户分到不同的细分市场中，从而有助于我在不同的细分市场中进行更有效的销售，这也是非监督学习，我们现在有这些客户数据，但我们预先并不知道有哪些细分市场，而且，对于我们数据集的某个客户，我们也不能预先知道，谁属于细分市场一，谁又属于细分市场二等等，但我们必须让这个算法自己去从数据中发现这一切。
最后，事实上非监督学习也被用于天文数据分析，通过这些聚类算法，我们发现了许多惊人的、有趣的以及实用的关于星系是如何诞生的理论，所有这些都是聚类算法的例子，而聚类只是非监督学习的一种。
现在我们了解另一种情景；想象一下：有一个宴会，有一屋子的人，大家都坐在一起，而且在同时说话，有许多声音混杂在一起，因为每个人都是在同一时间说话的，在这种情况下你很难听清楚你面前的人说的话；因此，我们简化一下场景，宴会上只有两个人A和B，两个人同时说话，我们准备好了两个麦克风，把它们放在房间里，然后，因为这两个麦克风距离这两个人的距离是不同的，每个麦克风都记录下了来自两个人的声音的不同组合，也许A的声音在第一个麦克风里的声音会响一点，也许B的声音在第二个麦克风里会比较响一些，因为2个麦克风的位置相对于2个说话者的位置是不同的，但每个麦克风都会录到来自两个说话者的重叠部分的声音，就像下图：
这里有来自研究员同时录下的两个说话者的声音，我们分别得到两个麦克风的录音：
好吧，这大概不是什么有趣的酒会……，这俩人各自从1数到10，但用的是两种不同语言...
录音内容均为：1/UNO、2/DOS、3/TRES、4/CUATRO、5/CINCO、6/SEIS、7/SIETE、8/ocho、9/NUEVE、10/Y,DIEZ，不同之处为：由于麦克风距离两者的距离不同，故两者在两段录音中的距离麦克风近者在声音中的分贝较高，但内容一致。
所以，我们能做的，就是把这两个录音输入一种非监督学习算法中，让这个算法，帮你找出其中蕴含的分类，然后这个算法就会去听这些录音，根据分析知道这听起来像两个音频录音被叠加在一起，所以我们才能听到音频分离的效果；
此外，这个算法还会分离出这两个被叠加到一起的音频源；事实上，这是我们的算法的第一个输出：1、2、3、4、5、6、7、8、9、10，所以我们在一个录音中分离出了英文声音，这是第二个输出：Uno、dos、tres、quatro、cinco、seis、siete、ocho、nueve、y,diez。
听起来不错！再举一个例子，现在有另一个录音，也是在一个类似的场景下：刚才那个可怜的家伙从鸡尾酒会回家了...他现在独自一人坐在屋里，对着录音机自言自语，情况变成了这样：
同样，两个麦克风的录音内容均为：1、2、3、4、5、6、7、8、9、10，区别在于录音机一直在放一首Disco音乐，所以两个麦克风接收到的内容一致，但声音强度不同；当你把这两个麦克风录音，送给与刚刚相同的算法处理，它所做的，还是告诉你，这听起来有两种音频源，并且，算法说，这里是我找到的第一个音频源：1、2、3、4、5、6、7、8、9、10，恩！不是太完美，你会听到，算法提取到了人声，但还有一点音乐没有剔除掉；算法的第二个输出还好，在第二个输出中，它设法剔除掉了整个人声，只是清理了下音乐，剔除了从1到10的计数，所以你可以看到像这样的非监督学习算法。
也许你想问，要实现这样的算法，很复杂吧？看起来，为了构建这个应用程序做这个音频处理，似乎需要写好多代码啊，或者需要链接到一堆处理音频的Java库，貌似需要一个非常复杂的程序分离出音频等，实际上，要实现你刚刚听到的效果，只需要一行代码就可以了：
[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x');
当然，研究人员，花了很长时间才想出这行代码的，不是说这是一个简单的问题，但事实上，如果你使用正确的编程环境，许多学习算法是用很短的代码写出来的，所以这也是为什么我们要使用Octave的编程环境，Octave是一个免费的、开放源码的软件，使用Octave或Matlab这类的工具，许多学习算法都可以用几行代码就可以实现。
事实上，在硅谷，很多的机器学习算法，都是先用Octave，写一个程序原型，因为在Octave中实现这些，学习算法的速度快得让你无法想象，在这里，每一个函数，例如SVD，意思是奇异值分解，但这其实是解线性方程的一个惯例，它被内置在Octave软件中了，如果你试图在C++或Java中做这个，将需要写N多代码，并且还要连接复杂的C++或Java库，所以你可以在C++或Java或Python中实现这个算法，只是会更加复杂而已。
最后，总结一下，我们谈到了非监督学习，它是一种学习机制，你给算法大量的数据，要求它找出数据中蕴含的类型结构，看下面几个例子：
内容衍生自：
完
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。