除了监督学习，另外一种学习方法我们把它叫做无监督的学习，那无监督的学习刚才讲过，它是没有任何的数据的标签的，比如说我们手里面有100张图片，但是我们并不知道这个图片里面到底包含的是什么样的物体，所以这个叫无监督的血型，所以我们只有X，但是没有Y，所以这个时候我们能做什么呢？很显然在无监督学习的模式下，我们是不能做X到Y的一个映射关系的预测的，也就是不能学出X到特征到我们标签的关系，因为手上没有Y嘛，所以这时候怎么办？
所以这时候一个经典的例子就是我们做聚类的分析，也就是我手里面有大量的样本，但是我不知道标签，但是我可以通过一种分析的方法，然后把这些样本做一个归类，比如说我要判断哪些样本之间他俩的相似度会比较高，所以把这些相似度比较高的样本把它归成一类，那另外可能相似度比较高的样本再归成第二类，所以这些事情是我们可以做的，那比如说。
有一个经典的案例就是做用户的分层，我们想做一个营销系统，然后我们希望基于CRM系统，然后做用户的分层，比如说把一些兴趣爱好类似的用户把它聚在一起，然后针对这个用户我们做一个设计一个特定的营销的方案，然后对于第二批用户，他可能是在某一种兴趣上是类似的，所以我们对第二批用户再设计一个一个个性化的营销方案，那这种事情时，我们可以能做到的就是做一些用户的聚类，那这里面也给出了一个例子，那这个图里面有各种各样的颜色，然后我通过聚类的方式我可以把这些物体把它分成同一类，所以聚类完之后就可以发现，比如说这块是一种类型，然后这块是一种类型，所以基本上它分成了四个不同的类型，所以这是无监督学习里面最经典的应用就是做聚类分析，那后面我们会讲聚类分析相关的一些算法，那最经典的算法叫做K的算法，那另外也会通过无监督学习的方法去做一些维的工作，比如说像PCA，那这些都是一个类似于降维的算法，那这些都是属于无监督学习的范畴，就是我们没有使用任何的数据的标签，所以我们去区分监督学习和无监督学习的最根本就是我们要看我们有没有使用一个数据的标签，所以如果没有使用的话，那这个算法其实就是无监督的学习。
