无监督学习可以进一步分为降维和聚类问题。
监督学习中的降维和聚类分别指以下两个方面：
1、降维：指通过对数据的处理和分析，将高维数据转化为低维数据，以便更好地进行数据的可视化和处理，减少数据的冗余信息和处理难度。常见的降维方法有主成分分析(PCA)、线性判别分析(LDA)、t-SNE等。
2、聚类：指将数据集合划分为若干个相似的类别，并且每个类别内部差异较小，类别之间差异较大。聚类可帮助我们发现数据内部的结构和模式，从而更好地理解数据和进行进一步的分析。常见的聚类算法有K-Means、层次聚类、DBSCAN等。
总之，无监督学习中的降维和聚类都是用来对有一定结构和规律性的数据进行处理和分析的方法。其中，降维可以让我们减轻数据处理的负担和更好地可视化数据，而聚类则可以帮助我们发现数据内部的分组结构和区分度，以便进行更好的分析和挖掘。
聚类是一种典型的无监督学习任务。给定一组数据X（维度为d），目标是将它分成K类。相比于由上到下分割层级树，现在分级聚类算法的主流思想是由下到上构建层级树；起初每个样本点都是一个单独的聚类；通过迭代，不断合并相似度最高的两个cluster, 直到到达根节点，此时所有样本点被归为一个大类。AHC可以一次性给出不同K值下对应的不同聚类结果。
在使用无监督学习的时候，需要注意以下几点：
1、确定数据的预处理方法。需要根据数据的类型和结构确定数据的预处理方法，例如数据清洗、特征选择、特征缩放等。
2、选择有效的算法。不同场景需要选择不同的无监督学习算法，例如聚类、密度估计、降维等，需要根据任务和数据的特点进行选择。
3、强调评估和验证。无监督学习没有明确的标签，评估和验证其正确性和实用性需要综合考虑多个指标和多方面数据的分析。
4、手动调参。无监督学习算法有许多需要调整的参数，需要通过实验采用手动调参或自动调参等方式，以提高模型性能。
5、考虑过拟合问题。无监督学习算法在处理数据时容易出现过拟合，需要采用正则化、降维等技术避免过拟合问题的出现。
总之，无监督学习的应用需要有针对性的进行数据预处理、算法选择、评估验证、调参等多个方面的工作。在实际使用中，需要遵循严谨的方法论和建立完善的测试流程，以保证算法的效果和实用性。