【概述】

在机器学习中，对机器学习进行了简单的介绍，即机器学习是由模型、策略、算法构成的，可以表示为：方法 = 模型 + 策略 + 算法

对于非监督学习来说，处理的是未标注数据，希望能找到隐含在数据内部的结构信息，此时，相应的模型、策略、算法就不那么具体了

【三要素】

模型就是函数 $Z=g(X;\boldsymbol{\theta})$、条件概率分布 $P_{\boldsymbol{\theta}}(Z|X)$，或条件概率分布 $P_{\boldsymbol{\theta}}(X|Z)$，在聚类、降维、概率模型估计中拥有不同的形式

例如：聚类中模型的输出是类别，降维中模型的输出是低维向量，概率模型估计中的模型可以是混合概率模型，也可以是有向概率图模型和无向概率图模型等

策略在不同的问题中有不同的形式，但都可以表示为目标函数的优化

例如：聚类中样本与所属类别中心距离的最小化，降维中样本从高维空间转换到低维空间过程中信息损失的最小化，概率模型估计中模型生成数据概率的最大化等

算法通常是迭代算法，通过迭代达到目标函数的最优化

例如：梯度下降法、牛顿迭代法、拟牛顿迭代法等