机器学习可以分为无监督学习与有监督学习两类，之前所了解的线性回归、逻辑回归与决策树等等，都是有监督学习，根据学习输入样本特征与标签之间来进行回归、分类等。而无监督学习则没有标签，需要自动的来寻找挖掘来一些可用的信息，对于聚类而言，则是。

异常检测也是无监督学习的一种，通过查看正常事件的无标签数据集，从而学习来检测/发出异常警报。如上图所示，红色部分表示训练集样本，而绿色部分表示新样本。如果新样本的位置与训练集样本接近，我们倾向于认为新样本正常；而如果与训练集样本有较大差异，则认为存在异常情况。

推荐系统是日常生活中很常见的一种算法，比如购物软件中主界面上展示的商品、影视软件中首页展示的视频等，下面以电影评分为例，介绍推荐系统的建模过程。首先，设用户数为，电影数为。显然，在收集的数据中有一些电影可能并没有被所有用户观看过，因此以二元变量来表示：用户j是否有对电影i进行评分，有则为1，反之为0。而对于已经被评分的电影，表示评分分数。

在之前分析的协同过滤算法中，讨论到如何进行推荐时，分为了两种推荐模式：用户协同与项目协同。在这两种模式中，它们的共同点是都。这样带来的弊端有：对于没有评分或其他信息的项目，我们无法获得相关的用户行为数据，也就无法进行推荐，即冷启动问题；同时，为了保证推荐的可行性，我们需要拥有大量的用户行为数据，即需要拥有足够多的用户行为才能够生成可靠的模式。因此引入了基于内容的过滤算法，在此算法中，我们会更加关注

— 当前位置—— 在当前位置采取的操作—— 操作后下一步所处的位置—— 在下一位置采取的操作—— 位置s对应的奖励值。

— 当前位置—— 在当前位置采取的操作—— 操作后下一步所处的位置—— 在下一位置采取的操作—— 位置s对应的奖励值。

根据之前对于逻辑回归的了解可知，分类模型的输出是该样本为某个类别的。对于更一般的分类问题，比如进行缺陷的分类时，可能的缺陷会有划痕、变色、缺角等。假设共有N个类别，那么可以将输出o定义为长为N的向量，向量中的每一个元素都代表了该样本为某一个类的置信度。对于真实的样本，其对应标签就是一个只有一个元素为1，其他元素全部为0的向量。

— 当前位置—— 在当前位置采取的操作—— 操作后下一步所处的位置—— 在下一位置采取的操作—— 位置s对应的奖励值。

— 当前位置—— 在当前位置采取的操作—— 操作后下一步所处的位置—— 在下一位置采取的操作—— 位置s对应的奖励值。

异常检测也是无监督学习的一种，通过查看正常事件的无标签数据集，从而学习来检测/发出异常警报。如上图所示，红色部分表示训练集样本，而绿色部分表示新样本。如果新样本的位置与训练集样本接近，我们倾向于认为新样本正常；而如果与训练集样本有较大差异，则认为存在异常情况。