37.下列何項不屬於非監督性機器學習？
(A)關聯
(B)降維
(C)分類
(D)聚類

非監督式學習

非監督式機器學習是指在沒有任何已標記輸出資料的情況下提供演算法輸入資料。然後，演算法會自行識別資料內部和之間的模式與關係。下面是某些類型的非監督式學習技術。

叢集

叢集非監督式學習技術將某些資料輸入組合在一起，因此它們可以歸類為一個整體。根據輸入資料，有各種類型的叢集演算法。叢集的一個範例是識別不同類型的網路流量，以預測潛在的安全性事件。

關聯規則學習

關聯規則學習技術可揭示資料集中輸入之間的規則式關係。例如，Apriori 演算法會進行市場籃子分析，以識別諸如經常一起購買的咖啡和牛奶等規則。

機率密度

非監督式學習中的機率密度技術預測輸出值在被視為正常範圍 (對於輸入而言) 內的可能性或機率。例如，伺服器機房中的溫度計通常記錄一定度數範圍之間的溫度。但是，如果依據機率分佈，溫度計突然測量到較低的溫度，則可能表明設備故障。 

降維

降維是一種非監督式學習技術，可以減少資料集中的特徵數量。該技術通常用於預先處理其他機器學習函數的資料，並降低複雜性和開銷。例如，該技術可能會在影像辨識應用程式中模糊或裁切背景特徵。

來源：https://aws.amazon.com/tw/compare/the-difference-between-machine-learning-supervised-and-unsupervised/

? 為什麼選 (C)？

• 分類 (Classification) 屬於 「監督式學習 (Supervised Learning)」。

  • 原理： 它是給電腦一組「有標籤 (Label)」的資料。例如：給電腦一千張照片，並告訴它哪些是「貓」、哪些是「狗」。電腦學習完後，當你給它一張新照片時，它能「分類」出這是貓還是狗。

  • 特點： 必須有正確答案（標籤）供電腦學習。

✅ 其他選項為什麼屬於「非監督性」？

非監督式學習的特點是資料沒有標籤，讓電腦自己去找出資料中的規律：

• (A) 關聯 (Association)： 找出資料中同時出現的規律。最經典的案例是「超市裡買尿布的人通常也會買啤酒」。

• (B) 降維 (Dimension Reduction)： 將複雜、多維度的資料簡化，保留最重要的特徵，以便後續處理。

• (D) 聚類 (Clustering)： 電腦不知道這群人是誰，但它發現 A、B、C 三個人的特徵很像，於是把它們「聚」成一類（例如：自動將客戶分成不同的消費群體）。

? 解題關鍵字

這組對應關係在金融科技考試中非常愛考，可以這樣記：

1. 監督式 (有標籤) = 分類 (貓/狗)、迴歸 (預測房價)。

2. 非監督式 (無標籤) = 聚類 (物以類聚)、關聯 (尿布與啤酒)、降維。