无监督学习（英语：unsupervised learning），又称非监督式学习，是机器学习的一种方法，没有给定事先标记过的训练示例，自动对输入的资料进行分类或分群。无监督学习的主要运用包含：聚类分析（cluster analysis）、关系规则（association rule）、维度缩减（dimensionality reduce）。它是监督式学习和强化学习等策略之外的一种选择。一个常见的无监督学习是数据聚类。在人工神經网络中，生成对抗网络（GAN）、自组织映射（SOM）和适应性共振理论（ART）则是最常用的非监督式学习。ART模型允许集群的个数可随着问题的大小而变动，并让用户控制成员和同一个集群之间的相似度分数，其方式为透过一个由用户自定而被称为警觉参数的常量。ART也用于模式识别，如自动目标识别和数字信号处理。第一个版本为"ART1"，是由卡本特和葛罗斯柏格所发展的。

2024第五届数学与信息科学国际会议（ICMIF2024）诚邀学者、专家提交他们的研究摘要、论文并参会交流。

ICMIF2024 的摘要与全文投稿通道已开放，欢迎您提交摘要和全文：

会议接受英文摘要投稿，摘要录用后，将以会议摘要集的形式由 Science Publishing Group (SciencePG) 出版。

论文全文被录用后，将根据主题在线出版在 Science Publishing Group (SciencePG) 的相关期刊上。合作期刊可被部分国外的检索机构检索，如WorldCat, CrossRef, Electronic Journals Library, Zeitschriftendatenbank, EZB, ResearchBib, Polish Scholarly Bibliography, Wissenschaftszentrum Berlin等。