前言｜當「答案不存在」，學習還成立嗎？
學過 監督式學習（Supervised Learning）後，我們知道：不管是迴歸還是分類，它們的資料都有答案，模型可以從中學習規則。
如果把「監督式學習」比喻成在學校上課，老師會拿著一張張圖片告訴你：「這是貓、這是狗」，然後考試時讓你分辨哪張是貓；那麼「非監督式學習」就像是把你丟到一個陌生的星球，沒有人告訴你眼前看到的東西叫什麼，你必須自己去觀察、摸索，找出它們的規律。
我們把這種情況拆解成三個最直觀的「超能力」來理解：
📌自動分組（物以類聚）
找出 相似性（Similarity），這是非監督式學習最常見的能力，專業上稱為「聚類」。
• 情境： 想像在星球上看到的一堆生物，你不認識它們，也不知道它們該叫什麼。
• 它怎麼做： 雖然不知道名字，但可以根據「腳」、「翅膀」、「走路方式」這些特徵，把長得像的歸為一起。
• 範例： 系統可以用這種方式幫企業把成千上萬的客戶自動分成「愛買便宜貨的」、「只買高檔貨的」或「很久沒來的」幾群人，方便老闆針對不同客群做生意。
📌發現隱藏關係（買了A 通常也會買B）
這就是著名的「購物籃分析」。
• 情境： 就像一位觀察力敏銳的店長，盯著大家結帳的購物籃看。
• 它怎麼做： 它不看你是誰，只看大家「一起買了什麼」。它可能會發現一個奇怪的規律：「星期五晚上買尿布的男生，通常也會順便買啤酒」。這不是因為這兩樣東西有什麼物理關係，而是數據顯示它們經常同時出現。
• 範例： 常見購物網站，當選購某些商品時，系統會跳出「買了這本書的人，也買了那本書」的推薦功能。
📌抓重點、化繁為簡（把複雜變簡單）
這對應到專業術語中的「降維」。
• 情境： 想像你要向朋友介紹一位新認識的人，你手上有他的身高、體重、髮型、鞋號、血型、星座等100項資料。
• 它怎麼做： 你不會把100項資料全唸出來，因為太囉唆了。你會自動過濾掉不重要的資訊，只挑出 「溫柔親切」或「高富帥」這些最能代表他特徵的重點。這就是在保留關鍵資訊的同時，把複雜的資料變簡單。
• 範例： 當資料量太大、太複雜時（例如一張超高畫質的照片），電腦可以用這招把它「壓縮」成幾條簡單的線條或特徵，但還是認得出那是誰。
「非監督式學習」最常用在哪些地方？
⚠️ 需要注意一點
非監督式學習的目的，不是預測結果，也不是給出標準答案。
它無法告訴你「對或錯」，
只能幫你回答：「資料大概長什麼樣子？」
在實務與考試中，它最常出現在三個地方：
- 🎯 資料探索（Exploratory Analysis）
- 🎯 前處理與特徵理解
- 🎯 輔助決策與策略分群
換句話說：
當問題還沒定義清楚時，
非監督式學習，往往是第一個登場的工具。
小結
非監督式學習就是讓電腦去「自己找規律」。 它不需要你事先辛苦地標記答案（不用告訴它這是貓、那是狗），它會自己透過觀察大量的資料，得到：「這群資料長得很像（分組）」、「這兩個東西常一起出現（關聯）」或是「這堆資料的重點其實只有這幾個（簡化）」。
先前的文章曾介紹的《分群 Clustering》就屬於非監督式學習的技術。
目前很紅的 ChatGPT 或其他 AI，其實很多基礎也是來自於這種「自學」的概念（例如讀了網路上無數的文章，自己學會了哪個字後面通常會接哪個字，就像玩填空遊戲一樣），這也是非監督式學習的一種延伸應用。
📌非監督式學習：
沒有標籤、不談準確率，用來理解資料結構，而不是做最終判斷。
🚀 這一句 對 AI-900 / AI 應用初級都超好用。
👉下一篇：非監督式學習模型介紹
課程說明
🔖 以下內容為本系列的學習安排與閱讀指引。
- 為方便大家學習，我將全部章節進行劃分，詳見導覽文。
- 本系列文章區分為「免費文」與「收費文」，
目的在於清楚分開「初步認識」與「深入理解」兩個學習階段。
收費內容將在基礎概念之上，整合重點圖表與說明，並融入個人教學與應考經驗，
協助讀者建立可實際運用的理解框架。 - 各系列的收費文章皆以「考試情境」為主軸進行整理，
不僅補齊必要的模型原理與判斷邏輯，
亦會搭配模擬題與選項解析，
協助學習者從「看懂內容」，進一步轉化為「選得正確」。
