非监督学习（Unsupervised Learning）是一种机器学习任务，其中算法从未标记的数据中学习模式、结构和关系，以发现数据中的隐藏信息和有意义的结构。与监督学习不同，非监督学习中没有标签或输出变量来指导学习过程，算法需要自行发现数据的内在模式。
在非监督学习中，算法的目标是对数据进行聚类、降维或异常检测等任务，以揭示数据中的隐藏结构。非监督学习通常用于探索性数据分析、数据预处理和特征提取等任务。
非监督学习的典型任务包括：
- 聚类：根据数据的相似性将其分为不同的群组或簇。聚类算法试图发现数据中的相似模式，将具有相似特征的样本归为一组，而不依赖于预先定义的类别标签。
- 降维：通过减少数据的维度，将高维数据映射到低维空间，以便更好地可视化、理解或处理数据。降维算法可以减少数据中的冗余信息，提取出最相关的特征。
- 异常检测：识别数据中的异常或异常模式，这些模式与大多数正常模式不一致。异常检测算法可以帮助发现数据中的异常点、离群值或潜在的欺诈行为。
非监督学习的关键在于从未标记的数据中发现模式和结构，而不依赖于预定义的输出或标签。这使得非监督学习对于处理大规模未标记数据集以及发现隐藏的数据特征和关系非常有用
概括：并没有告诉机器哪些苹果是好的，哪些是坏的，机器自己去发现规律