یادگیری بی نظارت ( خوشه بندی) با نمونه هایی سر و کار دارد که از قبل به هر طریق دسته بندی شده و به همین خاطر مشخصه کلاسی در رابطه با آنها وجود ندارد. حدود کاربرد الگوریتم های خوشه بندی، برای کشف کلاس های مفید اما ناشناخته از آیتم ها می باشد. یادگیری بی نظارت شیوه ای برای یادگیری است که نمونه ها به صورت خودکار وبر مبنای تشابهشان در گروههای معنادارقرار داده می شوند. این مقاله، مفاهیم بنیادی یادگیری غیرنظارت شده را معرفی و در عین حال الگوریتم های خوشه بندی اخیر را مورد بررسی قرار می دهد. به علاوه، پیشرفتهای اخیر در یادگیری بی نظارت، نظیر مجموعه های الگوریتم های خوشه بندی و خوشه بندی توزیع شده، شرح داده شده است.

Unsupervised learning (clustering) deals with instances, which have not been pre-classified in any way and so do not have a class attribute associated with them. The scope of applying clustering algorithms is to discover useful but unknown classes of items. Unsupervised learning is an approach of learning where instances are automatically placed into meaningful groups based on their similarity. This paper introduces the fundamental concepts of unsupervised learning while it surveys the recent clustering algorithms. Moreover, recent advances in unsupervised learning, such as ensembles of clustering algorithms and distributed clustering, are described.