想象一下，你有一个癌症患者的数据集。你有关于他们的年龄、体格、诊断、治疗和结果的信息。

使用这些数据，您想为新患者 P 开出一组治疗方案。

显然，如果数据集中有人与 P 具有非常相似的特征并且在他们的治疗中取得了积极的结果，那么您可以开出相同的治疗组。然而，随着更多关于 P 的信息被观察到，这非常不可能并且变得更加不可行（例如，有棕色的头发并且讨厌意大利面）。

更好的选择是将数据集聚类到对治疗结果有积极影响的组中。例如，可能吸烟并接受治疗 A 的肺癌患者比不吸烟且接受相同治疗 A 的肺癌患者表现更好。然后应根据此结果对这些患者进行划分。

一旦找到这些不同的集群，就可以针对每个集群评估患者 P，并且可以规定一组治疗（例如，来自集群 A 的大多数治疗，但来自集群 B 的一种治疗）。

无监督学习是找到这些集群的方法，它有助于找到数据的结构以更好地回答问题。

监督学习：这是在老师的帮助下进行的。一个孩子根据他/她必须生产的产出工作。他们的行为受到老师的监督。类似地，在人工神经网络中，每个向量都需要一个对应的目标向量，它代表所需的输出。

无监督学习：考虑蝌蚪的学习过程，它自己学习，不是任何老师教的。在人工神经网络中，在训练过程中，网络接收输入模式并将这些模式组织成簇。当应用新的输入模式时，神经网络会给出一个输出响应，指示输入模式所属的类别。如果对于输入，找不到模式类，则生成一个新类。

在这种情况下，没有来自环境的反馈，网络必须自己从输入数据中发现模式、规律、特征或类别，以及输入数据与输出之间的关系。