在前面的监督学习中，已获取的数据集中包含正确答案，因此计算机可以通过学习来发现数据和正确答案之间的关系，进而进行预测。接下来，我们要计算机学习那些为赋予正确答案的数据。
在上图中，我们对于数据的类别一无所知，现在只有x1和x2两个特征，对于无监督算法，我们能做的就是聚类。
情景一:
谷歌新闻每天都会收集成千上万的新闻，然后将他们聚合称为不同的类别，形成新闻专题。
情景二：
拿来一些不同的个体和他们的基因，检测它们是否拥有某个特定的基因，这时可以运行聚类算法，将类似的个体聚合起来，就能显示出有多少种特定的基因存在。
情景三：
管理大型计算机集群，管理人员希望知道那些更适合于协作的机器，然后把这些机器放在一起，就能有效提高系统的运行效率和稳定性。
情景四：
社交网络分析， 分析你的哪些朋友属于最亲密的朋友组，哪些仅仅是认识的朋友等等
情景五：
市场分割，许多公司拥有庞大的客户信息数据库，如果给你一个客户数据集，你能否自动找出不同的市场分割，例如高消费群体，低消费群体等等
情景六：
天文数据分析，通过聚类算法发现星系如何诞生等等
情景七
鸡尾酒会上大家在同时相互交谈，整个环境的声音嘈杂，在这种情况下你可能会听不清楚坐在你对面的人在讲什么，无监督算法会设法从嘈杂的环境当中提取出你对面人说的内容。
这个例子听起来有些难度，实际上只需要一行代码就够（ Octave）
其中svd表示奇异值分解来求解线性方程。 实际上在硅谷，都是先用Octave做机器学习原型进行测试，然后再迁移到Java/Python这样的平台上去的。
总结
无监督学习：一种能够从已知数据中发现结构信息的学习方式
小测验：
下面那些例子是非监督学习？
a. 在邮件已经分类的基础上，训练一个垃圾邮件分类器
b. 给一些文章进行聚合，是类似的出现在同一组中 √
c. 在消费者数据库的基础上，做市场细分 √
d. 在已知病人是否是糖尿病的基础上，训练一个糖尿病的分类器