在無監督學習中，機器利用未標記的資料自主學習，不需要任何監督。機器試圖從未標記的數據中發現模式，並做出相應的反應。
如下圖，我們以先前的例子為基礎，這次不會預先告知機器是湯匙還是刀子。機器將透過識別給定的數據，並根據模式、相似性等特徵對它們進行分組。
#1、聚類
聚類是將物件劃分為在它們之間相似但與屬於另一個類別物件不同的方法。
舉個例子，一家電信公司透過提供個人化的通話和數據計畫來降低客戶流失率。他們透過研究客戶行為，使用模型將相似特徵的客戶進行細分。然後，他們採用多種策略，例如適當的促銷和活動，以最小化客戶流失率並最大化利潤。這樣做可以更好地滿足客戶需求，提高客戶滿意度，從而增加客戶忠誠度和留存率。透過個人化方案，電信公司能夠有效地留住現有客戶，並吸引新客戶加入，從而達到長期經營的目標。
2、關聯
關聯是一種基於規則的機器學習，用於發現集合中項目同時出現的機率。
舉個例子，假設顧客A去超市買麵包、牛奶、水果和小麥。另一位顧客B來買麵包、牛奶、米和奶油。現在，當顧客C來的時候，如果他買了麵包，很有可能也會需要牛奶。因此，基於顧客行為的購買模式，我們可以建立關係並向顧客C推薦購買牛奶。這樣可以提高銷售額並滿足顧客需求。
1、商品分析
它是一種基於演算法的機器學習模型，即如果您購買某組商品，您購買另一組商品的可能性會降低或增加。
2、語意聚類
語意相似的詞共享相似的上下文。人們以自己的方式在網站上發布查詢。語義聚類將所有這些具有相同含義的回應分組到一個集群中，以確保客戶快速輕鬆地找到他們想要的資訊。它在資訊檢索、良好的瀏覽體驗和理解方面起著重要作用。
3、供需最佳化
機器學習模型用於預測需求並跟上供應。它們還用於在需求較高的地方開設商店，並根據過去的數據和行為優化根源以實現更有效的交付。
4、識別事故多發區域
無監督機器學習模型可用於識別事故多發區域並根據這些事故的強度引入安全措施。
以上是無人監督學習：概念、類型與應用的詳細內容。更多資訊請關注PHP中文網其他相關文章！
