无监督学习是机器学习的重要分支，通过无需标注数据的方式发现数据中的潜在模式或结构。以下是核心知识点：

1. 无监督学习的核心概念 📊

  • 目标：挖掘数据内在规律（如聚类、降维、关联规则）
  • 典型场景：客户分群、异常检测、图像压缩
  • 与监督学习区别：无需标签，依赖数据本身的分布特性
无监督学习_概念图

2. 常见算法分类 🧩

聚类算法

  • K-means
  • 层次聚类
  • DBSCAN
  • 期望最大化（EM）

降维算法

  • 主成分分析（PCA）
  • t-SNE
  • 自组织映射（SOM）

关联规则

  • Apriori 算法
  • FP-Growth

3. 应用场景示例 🌐

  • 市场细分：通过用户行为数据分组
  • 推荐系统：发现商品之间的关联性
  • 图像处理：压缩图像特征维度

4. 学习资源推荐 📚

Kmeans_算法流程

5. 学习建议 📈

  • 先掌握概率统计基础
  • 通过可视化工具（如Matplotlib）理解数据分布
  • 实践时注意数据预处理和参数调优
PCA_降维示意图

如需进一步探索，可点击扩展阅读：无监督学习进阶