一、聚类学习（Clustering）
有监督学习：给定一个含有原始数据x和标签y的数据集进行训练
无监督学习，只有输入x的数据集，没有标签或者目标标签y。
聚类学习会将数据集分组成簇（clusters），一组彼此相似的点
K-均值聚类算法（K-Means）
30个未标记的数据集，KMeans算法首先要估计两个簇的中心位置我，随机在图中画出：
算法分为两步：第一步确定簇的质心，遍历所有样本，30个数据点，算法会判断数据点更接近于哪一个簇的中心点，并且自动分配；第二步，对于红点，所有的红点然后取平均值，将红叉移动到红点的平均位置，蓝色同理。
第一次移到中心点后，发现在蓝色（红色）区域某些点到预先规定的质心处的距离并不是最近，需要在进行KMeans计算
经过第二次计算后，得到：
继续重复：
当点的颜色和质心位置不变时，算法收敛。
算法实现：（1）随机指定k个质心，n1,n2,n3,,,,,,,,nk.
（2）计算簇中点的中心位置
如果随机分配质心时，有n个质心没有被分配到簇中，通常采用消除簇的做法，k=k-n，或者也可以重新随机分配，但最常用的还是第一种
对于连续的点，也可以使用K-Means算法
与有监督学习相同，无监督学习中的K-Means算法其实也是一个不断优化函数的过程。
C(i)代表簇的索引，nk表示质心，x为训练样本
K-Means算法随机猜测簇质心位置：
（1）选取的质心位置不能太多，K<M（k=2，m=30）
（2）随机挑选训练样本
(3) 选择质心后，通过得到的代价函数来判断使用哪一种
使用簇的数量：
1.肘部法则：将代价函数视为簇数量的函数，看看是否有弯曲
2. 通过划分的簇数量，判断数量与成本之间的关系来做出衡量
异常检测（Anomaly Detection）
异常检测算法通过观察正常事件的未标记数据集，从而学会检测异常或者在异常事件发生时能够发出危险信号
常见的异常检测方法为密度估计的技术，首先为样本x找到一个高概率事件和在数据集中不太可能遇到（概率小）的值。
正态分布（高斯）
异常检测算法：