几种常见的主要用于无监督学习的算法

聚类

1：K均值（K-Means）算法
2：自编码器（Auto-Encoder）
3：主成分分析（Principal Component Analysis）

K均值算法有这么几步：
1：随机的选取K个中心点，代表K个类别；
2：计算N个样本点和K个中心点之间的欧氏距离；
3：将每个样本点划分到最近的（欧氏距离最小的）中心点类别中——迭代1；
4：计算每个类别中样本点的均值，得到K个均值，将K个均值作为新的中心点——迭代2；
重复234；
5：得到收敛后的K个中心点（中心点不再变化）——迭代4。

自编码器：
自编码器其实相当于一个神经网络，但这里不用神经网络的结构来解读
它的基本思想就是对输入（input）编码（encode）后得到一个隐含的表征再解码（decode）并输出（output）
自编码器的两个主要应用是降噪（denoising）和稀疏化数据（sparse）

主成分分析：
主成分分析（Principal Component Analysis）是一种数据降维的方法，我们可以简单地把数据降维和稀疏化数据当成一个意思来理解（还是有区别的）。
从数学的视角来看，二维平面中的主成分分析，就是用最大方差法将坐标系里分布的点投影到同一条线上（一维的）；三维空间中的主成分分析，就是同理将空间中的分布点投影到同一个（超）平面上。
参考资料

K均值算法概念及其代码实现：https://my.oschina.net/keyven/blog/518670

欧几里得距离：https://en.wikipedia.org/wiki/Euclidean_distance

K-means算法实现：https://feisky.xyz/machine-learning/clustering/k-means/

自编码器与堆叠自编码器简述：http://peteryuan.net/autoencoder-stacked/

对抗自编码器：https://blog.csdn.net/shebao3333/article/details/78760580