本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 無監督內建 SageMaker AI 演算法
<a name="algorithms-unsupervised"></a>

Amazon SageMaker AI 提供數種內建演算法，可用於各種無監督學習任務，例如叢集、降維、模式辨識和異常偵測。
+ [IP Insights](ip-insights.md)——學習 IPv4 位址的使用模式。它旨在擷取 IPv4 地址和各種實體之間的關聯，例如使用者 ID 或帳戶號碼。
+ [K 平均數演算法](k-means.md)——會找出資料內分散的群組，盡可能讓群組成員彼此相似，而進能可和其他群組內的成員有所差異。
+ [主成分分析 (PCA) 演算法](pca.md)—透過將資料點投影到前幾個主體元件上，減少資料集內的維數 (特徵數量)。目標是保留盡可能多的資訊或變化。對於數學家來說，主分量是資料協方差矩陣的特徵向量。
+ [隨機分割森林 (RCF) 演算法](randomcutforest.md)——檢測資料集中的異常資料點，這些資料點與其他結構良好或模式化的資料會出現差異。


| 演算法名稱 | 頻道名稱 | 訓練輸入模式 | 檔案類型 | 執行個體類別 | 可平行化 | 
| --- | --- | --- | --- | --- | --- | 
| IP 深入分析 | 訓練和 (選擇性) 驗證 | 檔案 | CSV | CPU 或 GPU | 是 | 
| K 平均數 | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU 或 GPUCommon (在一或多個執行個體上的單一 GPU 裝置) | 否 | 
| PCA | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf 或 CSV | GPU 或 CPU | 是 | 
| Random Cut Forest (隨機分割森林) | 訓練和 (選擇性) 測試 | 檔案或管道 | recordIO-protobuf 或 CSV | CPU | 是 |