教師なし学習（Unsupervised Learning）は、機械学習の一種であり、入力データの構造やパターンを自動的に抽出する手法です。教師なし学習では、正解データやラベルを使用せず、データ自体のみを利用して学習を行います。主な目的は、データ内部の隠れた構造や特徴を発見し、データをより理解しやすくすることです。

教師なし学習の代表的な手法には以下のものがあります：

1. クラスタリング（Clustering）: データを類似したグループ（クラスタ）に分ける手法です。クラスタリングでは、データポイント間の類似度や距離を計算し、それに基づいてデータをクラスタに分割します。代表的なクラスタリング手法にはk-meansクラスタリングや階層クラスタリングがあります。

2. 次元削減（Dimensionality Reduction）: 高次元のデータを低次元の特徴空間に変換する手法です。次元削減は、データの可視化や特徴量の圧縮、ノイズの除去などに利用されます。代表的な次元削減手法には主成分分析（PCA）やt-SNE（t-distributed Stochastic Neighbor Embedding）があります。

3. 異常検知（Anomaly Detection）: 通常と異なる振る舞いやパターンを持つデータポイント（異常値または外れ値）を検出する手法です。異常検知は、セキュリティ監視や不良品検出などの領域で使用されます。代表的な異常検知手法には密度推定、LOF（Local Outlier Factor）、Isolation Forestなどがあります。

教師なし学習は、データセットにラベルや正解データがない場合や、データの特徴やパターンを事前に理解する必要がある場合に有用です。また、教師あり学習と組み合わせて使用することもあります。