监督学习是需要给定X、Y，X为特征，Y为标签，选择模型，学习（目标函数最优化问题），生成模型，这个模型本质上是一组参数，
无监督机器学习的数据只有X，没有标签，只根据X的相似度来做一些事情，相似度的计算一般通过距离来度量。相似度高的聚类在一起，进而可以对数据降维
相关文章
- 机器学习3-聚类-2 与监督学习比较
- 机器学习算法与Python实践之（五）k均值聚类（k-means）
- 【机器学习】机器学习学习笔记 - 无监督学习 - k-means/均值漂移聚类/凝聚层次聚类/近邻传播聚类 - 05
- 数学建模及机器学习算法（一）：聚类-kmeans（Python及MATLAB实现，包括k值选取与聚类效果评估）
- 机器学习笔记-2.模型评估与选择之比较检验
- 机器学习实战-ch2-有标签的聚类算法
- 聚类与性能度量----机器学习
- darktrace 亮点是使用的无监督学习（贝叶斯网络、聚类、递归贝叶斯估计）发现未知威胁——使用无人监督 机器学习反而允许系统发现罕见的和以前看不见的威胁，这些威胁本身并不依赖 不完善的训练数据集。 学习正常数据，发现异常！
- 机器学习：聚类算法与无监督学习、模型评估标准
- 机器学习算法原理归纳总结：回归、聚类、支持向量、推荐、降维与神经网络