无监督学习
机器学习的主要范式之一，使用无标签数据，目标是发现数据内在的结构和模式，主要包括聚类、降维和密度估计等任务
核心事实
时间轴 (近 90 天)
监督学习要求人为提供标注好的数据类别，无监督学习自动对数据对象进行归类和聚类，强化学习通过奖励机制引导模型学习。
无监督学习处理没有标签的数据，模型自行发现数据中的结构，如聚类和降维。
无监督或自监督学习范式对于缺乏对照翻译的非人类通信研究尤为关键
AI欺诈检测依赖监督学习（对新申请进行欺诈概率评分）和无监督学习（聚类分析和异常检测）两大技术路径
聚类属于无监督学习，典型算法包括K-Means和DBSCAN，其中DBSCAN是基于密度的算法，能发现任意形状的簇且对噪声数据更鲁棒
强化学习是一种通过试错学习最优策略的机器学习范式，智能体在环境中采取行动并根据奖励信号最大化累积奖励
聚类属于无监督学习，典型算法包括K-Means和DBSCAN，其中DBSCAN是基于密度的算法，能发现任意形状的簇
无监督学习模块耗时较长（10天），因为其概念抽象、评估方式不如监督学习直观
Machine learning is typically divided into three major paradigms: supervised learning, unsupervised learning, and reinforcement learning.
全部知识事实 (11)
机器学习分为监督学习、非监督学习和半监督学习三大类
80%已验证强化学习是一种通过试错学习最优策略的机器学习范式，智能体在环境中采取行动并根据奖励信号最大化累积奖励
65%已验证监督学习与无监督学习的根本区别在于训练数据中是否存在标签
65%部分验证Machine learning is typically divided into three major paradigms: supervised learning, unsupervised learning, and reinforcement learning.
65%待验证监督学习要求人为提供标注好的数据类别，无监督学习自动对数据对象进行归类和聚类，强化学习通过奖励机制引导模型学习。
50%待验证无监督学习处理没有标签的数据，模型自行发现数据中的结构，如聚类和降维。
50%待验证无监督或自监督学习范式对于缺乏对照翻译的非人类通信研究尤为关键
50%待验证AI欺诈检测依赖监督学习（对新申请进行欺诈概率评分）和无监督学习（聚类分析和异常检测）两大技术路径
50%待验证聚类属于无监督学习，典型算法包括K-Means和DBSCAN，其中DBSCAN是基于密度的算法，能发现任意形状的簇且对噪声数据更鲁棒
50%待验证聚类属于无监督学习，典型算法包括K-Means和DBSCAN，其中DBSCAN是基于密度的算法，能发现任意形状的簇
50%待验证无监督学习模块耗时较长（10天），因为其概念抽象、评估方式不如监督学习直观
50%