機器學習知識地圖 · 非監督式學習
非監督式學習
Unsupervised Learning
觀念教學
沒有人給答案,模型自己在資料裡找規律 — 非監督式學習,機器學習家族裡「無師自通」的那一支。
核心觀念
非監督式學習(Unsupervised Learning)使用沒有標籤的資料,演算法自行找出隱藏的結構、模式或群組。主要分兩大類:分群(Clustering)把相似樣本歸堆,降維(Dimensionality Reduction)把高維資料壓成低維表示。異常檢測(Anomaly Detection)也常掛在這面大旗下:先學會「正常長什麼樣」,偏離常態的就是異常。
白話理解
電商平台要抓異常評論(機器人洗版、大量重複貼文)。這類異常樣本難以事先完整標記,系統改從大量正常評論的分布學出常態,再把「偏離分布」的行為挑出來 — 不靠標籤、靠分布,正是非監督式思維。
怎麼評估(沒標籤也要驗收)
- 分群看輪廓係數、SSE、DBCV、群集穩定度與雜訊點比例;階層式另有共表型相關係數
- 降維看解釋變異比例與重建誤差;視覺化類再看 Trustworthiness、Continuity、kNN 保留率、距離相關性與群組分離穩定性
- 共通精神:沒有標準答案,就檢查「結構合不合理、結果穩不穩定」
🎯 口訣:無標籤找結構 — 分群歸堆、降維瘦身、異常抓偏離。
iPAS 考點
兩類必考。分類題:「客戶分群、主題探索、異常偵測」選非監督式;情境題:給「異常樣本難以事先標記、依正常資料分布識別偏離行為」,答非監督式(異常檢測)框架。異常檢測的主要應用目標:找出偏離正常模式的少數樣本(設備故障、詐欺、異常評論)。陷阱:看到「資料量大」就選非監督 — 錯,關鍵是有沒有標籤;「少量標籤+大量無標籤」是半監督,「靠獎勵試錯」是強化學習。
📝 本節掛載 2 題 iPAS 歷屆試題 — 讀完往下到「iPAS 考題練習」直接實戰。
應用場景
評估指標
iPAS 歷屆考題詳解(3 題)
先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。
某企業集團在多個領域導入AI 技術，應用於不同業務場景。請問下列哪一項最符合異常檢測（Anomaly Detection）的主要應用目標？
- A分析客戶的消費行為資料，將客群依偏好進行分群，以制定差異化行銷策略；
- B根據歷史交易與客戶資料，建立模型預測未來可能發生違約的客戶；
- C彙整企業各部門的營運數據，建立儀表板供管理層追蹤關鍵績效指標 （KPI）的變化；
- D從設備感測資料中，即時偵測出與正常運作模式顯著偏離的訊號，以預警可能發生的故障
看正解與逐選項詳解
正解:D
某電商平台希望偵測異常評論行為，例如大量重複貼文或疑似機器人生成的評論。由於此類異常樣本難以事先完整標記，系統主要依據大量正常評論的分布來識別偏離行為。下列哪一種機器學習框架最能滿足此系統的設計需求？
- A非監督式學習（Unsupervised Learning）的關聯規則挖掘，從評論中找出常見字詞組合；
- B監督式學習（Supervised Learning）的二元分類，從已標記資料學習分類模型；
- C半監督式學習（Semi-supervised Learning）的異常偵測，辨識偏離正常分布的評論行為；
- D強化學習（Reinforcement Learning），透過回饋機制優化評論判斷策略
看正解與逐選項詳解
正解:C
某工廠設備監測系統需偵測馬達軸承的異常振動，但過去僅記錄了大量正常運作的振動時序資料，缺乏任何已確認故障的標註樣本。請問下列何種任務範疇最符合此情境下的異常偵測需求？
- A監督式二元分類（Supervised Binary Classification）
- B非監督或半監督異常偵測（Unsupervised / Semi-supervised Anomaly Detection）
- C強化學習（Reinforcement Learning）
- D自監督學習（Self-supervised Learning）
看正解與逐選項詳解
正解:B