張哲誠副教授/逢甲大學資訊工程學系

非監督式學習（Unsupervised Learning）與監督式學習（Supervised Learning）最大的區別，在於前者使用的資料不包含標籤，這意味著演算法沒有標準答案可以依循，而是需要在大量輸入資料中，自行發現潛在的規律。它幫助我們理解資料的內部關係，找出隱藏的特徵或群體，讓我們可以進一步地分析與應用資料。

最常見的非監督式學習應用之一是分群（Clustering），K-means為其中的典型演算法，它能將相似的樣本自動分到同一群組，例如：在行銷領域中，企業可以透過分群將顧客依照購買習慣或消費特徵加以劃分，進而制定更精準的行銷策略。另一個重要的應用是降維（Dimensionality Reduction），它的目標是將高維度資料壓縮到低維空間，同時保留最具代表性的資訊，這對於資料視覺化或後續建模非常有幫助。除此之外，非監督式學習還常應用於異常檢測（Anomaly Detection），例如：在金融交易中辨識詐欺行為、在工業生產中偵測設備異常，這些應用因為異常樣本稀少而難以使用監督式學習訓練與推論，因此非監督式方法特別適用。 非監督式學習的優勢在於，它能充分利用大量未標註的資料，而現實世界中未標註的資料往往遠比標註資料豐富。非監督式學習是探索資料潛在價值的重要工具，雖然難以直接用來做精確預測，但在資料探勘與知識發現上具有不可取代的地位。