无监督学习是机器学习的一种方法，其中算法没有被给予任何人为的目标或标签。相反，它使用数据本身来发现数据之间的关系，并尝试将数据分成不同的组。这种方法通常用于发现数据中隐藏的结构或模式。与监督学习不同，非监督学习不需要人为标记的正确答案来训练模型，因此它通常被用于聚类（clustering）或降维（dimensionality reduction）任务。
下面给出一些示例与实现方法：
K-Means
Hierarchical Clustering
Expectation Maximization (EM)
Self-Organizing Maps (SOM)
Locally Linear Embedding (LLE)
t-Distributed Stochastic Neighbor Embedding (t-
