无监督学习是一种机器学习方法，不使用标记示例，其目标是发现数据中的模式或结构。算法仅提供输入数据，自行发现数据的结构。
该算法用于根据样本的相似性将样本分组到集群中。聚类的目标是将数据分成几组，使得每组中的示例相似性高。
有许多聚类方法，包括基于质心的方法、基于密度的方法和分层方法。基于质心的方法，例如k-means，将数据划分为K个簇，其中每个簇由质心定义（即，代表性示例）。基于密度的方法，例如DBSCAN，根据示例的密度将数据划分为聚类。层次方法，例如凝聚聚类，构建了一个层次结构的聚类，其中每个示例最初被认为是它自己的聚类，然后聚类根据它们的相似性合并在一起。
降维算法是用于减少数据集中特征数量的一种技术。它的目标是在保留尽可能多的信息的同时，降低数据的复杂性和防止过度拟合。在机器学习中，降维算法经常被应用于提高学习算法的性能。此外，它还可以用于数据可视化，通过减少维度的数量，将数据映射到较低维度的空间中，使得数据更易于管理和绘制。
降维的方法有很多，包括线性方法和非线性方法。线性方法包括诸如主成分分析(PCA)和线性判别分析(LDA)之类的技术，这些技术可以找到捕获数据中最大方差的特征的线性组合。非线性方法包括t-SNE和ISOMAP等技术，它们保留了数据的局部结构。
除了线性和非线性方法之外，还有特征选择方法（选择最重要特征的子集）和特征提取方法（将数据转换到维度更少的新空间）。
这是一种无监督学习，涉及识别与其余数据相比不寻常或意外的示例。异常检测算法通常用于欺诈检测或识别故障设备。异常检测有很多方法，包括统计方法、基于距离的方法和基于密度的方法。统计方法涉及计算数据的统计特性，例如均值和标准差，以及识别超出特定范围的示例。基于距离的方法涉及计算示例与大部分数据之间的距离，并识别距离太远的示例。基于密度的方法涉及识别数据低密度区域中的示例
自动编码器是一种用于降维的神经网络。它的工作原理是将输入数据编码为低维表示，然后将其解码回原始空间。自动编码器通常用于数据压缩、去噪和异常检测等任务。它们对于高维且具有大量特征的数据集特别有用，因为它们可以学习捕获最重要特征的数据的低维表示。
这些算法用于学习数据的分布并生成与训练数据相似的新示例。一些流行的生成模型包括生成对抗网络(GAN)和变分自动编码器(VAE)。生成模型有很多应用，包括数据生成、图像生成和语言建模。它们还用于风格转换和图像超分辨率等任务。
该算法用于发现数据集中变量之间的关系。它通常用于购物车分析，以识别经常购买的商品。一种流行的关联规则学习算法是Apriori算法。
自组织映射(SOM)是一种用于可视化和特征学习的神经网络架构。它们是一种无监督学习算法，可用于发现高维数据中的结构。SOM通常用于数据可视化、聚类和异常检测等任务。它们对于可视化二维空间中的高维数据特别有用，因为它们可以揭示原始数据中可能不明显的模式和关系。