延壽校 | 安和校 | 大直校 | 重慶校
【「非監督式學習」幫便利商店選址】
監督式學習需要我們告訴電腦答案，例如「這是蘋果」、「那是橘子」。
但現實世界中，有些問題根本沒有標準答案，例如：
• 客人有哪些類型？
• 哪些商品屬於同一族群？
• 哪些地區適合開店？
這時就需要—非監督式學習（Unsupervised Learning）
非監督式學習：物以類聚
非監督式學習不需要標準答案。AI 會自己：
• 找相似的資料
• 把它們歸到同一群
• 建立資料之間的關聯
實例：替客棧找最佳開店位置
有六個村莊（A、B、C、D、E、F），打算在這個地區開兩家客棧，目標是：
讓各村莊的居民前往客棧的距離都不要太遠。
階層式分群法流程：
1. 初始階段：每個村都是一群
2. 找到最近的兩個村 → 合併成新群
3. 重複步驟，形成更大的群
4. 決定要開幾家店 → 找出最佳中心點
當我們在階層式分群圖上 畫一條水平線穿過兩個主要的合併節點時，可以得到兩個自然形成的群：
• G3：{A, B, C} —— 彼此距離最接近的村落組
• G4：{D, E, F} —— 另一組彼此靠近的村落
因此，只要在 G3 與 G4 的中心點 分別開設一家客棧，就能讓兩群村民到客棧的距離都不會太遠。
這樣的選址方式能同時兼顧：
• 服務範圍
• 顧客便利性
• 最小化總距離
是最佳化選址的一種常見策略。
商業應用：AI 幫忙做更好的決策
非監督式學習的用途非常多：
• 客群分群（行銷領域）
• 商圈分析（商業決策）
• 商品分群（電商推薦系統）
• 交通數據分析（城市規劃）
AI 在這些場景做的是：找規律、找群組、找關係。
結語：AI 不只是「聽話」，也能「自己觀察世界」
監督式 + 非監督式的組合，讓 AI 既能學規則，也能探索未知。
