无监督学习是一种类型的机器学习算法用于从由输入数据，而不标记响应数据集得出推论。

最常见的非监督学习方法聚类分析，其用于探索性数据分析找出隐藏图案或数据分组。簇正在使用其经度量如欧几里德或概率距离限定相似性的测量建模。

常见的聚类算法包括：

• 分层聚类：通过创建一个集群树构建集群的多级分层
• K-均值聚类：将数据分成k个不同簇基于距离到群集的质心
• 高斯混合模型：模型集群为多元正态密度的组分的混合物
• 自组织映射：用途神经网络该学会的数据的拓扑结构和分布
• 隐马尔可夫模型：使用观测数据来恢复状态序列

无监督学习方法在生物信息学进行序列分析和遗传聚类被使用;在数据挖掘中的序列和模式挖掘;在用于图像分割医学成像;在对物体识别计算机视觉。

对于非监督学习算法的详细信息，请参阅统计和机器学习工具箱™和深度学习工具箱™。