无监督学习

计科杨某人

机器学习基本常识最近由于本人开始转向机器学习方向的研究，所以打算做一个新专栏。以下是今天我们主要讲解的内容，大家先看一下：

妍妍爱学习

自动编码器与变分自动编码器：同一脉络下的进化1.背景介绍自动编码器, 是一种神经网络模型, 它会把输入进的数据, 编码成为那种低维的表示形式, 紧接着又进一步译码转化回最为起始的原始具体数据。而那被称谓是变分自动编码器嘅, 它属于自动编码器进一步拓展伸展的一种, 它开创性地引入了随机变量以及概率这二大核心模型要素, 然后最终达成让该模型能探寻研究出数据那极其细腻复杂概率分布状况这般奇异功效的。并且, 自动编码器以及变分自动编码器, 它们通通全都是归属于一类针对无监督条件下学习的深度学习模式类型, 它们可被运用在像降维啦这类任务当中, 也能够被用来

xianghongtao0116

聚类评估的二次壁垒之战：可扩展轮廓系数近似算法深度解读这篇论文第一次为"轮廓系数"这个用了近 40 年、却始终被 Θ(n2)\Theta(n^2)Θ(n2) 复杂度锁死的经典聚类评估度量，给出了带有严格概率保证、且可突破二次壁垒的采样近似算法——不仅覆盖全局轮廓 s(C)s(\mathcal{C})s(C)，还覆盖此前几乎无人敢碰的"逐元素局部轮廓 s(e)s(e)s(e) 的同时估计"，并配套了常数轮、亚线性本地内存的分布式实现。

机器学习之定义与三大范式过去十多年，从引爆深度学习浪潮的 ImageNet 图像竞赛、颠覆围棋认知的 AlphaGo，再到掀起生成式 AI 革命的 ChatGPT 大模型，每一次震撼行业的技术颠覆与跨越式突破，本质都是机器学习各类范式持续迭代、相互融合催生的成果。

阿钱真强道

29 Python 聚类：什么是聚类？它和分类到底有什么区别？在机器学习入门阶段，很多人最先接触的是分类。比如：这类任务有一个共同特点：数据是有标签的。也就是说，我们事先知道每条数据属于哪一类，模型要做的是学习这些标签背后的规律，然后对新数据进行预测。

机器学习经典算法全景解析与演进脉络（无监督学习篇）在机器学习的宏大叙事中，如果说监督学习是拥有“参考答案”的指导式学习，那么无监督学习便是探索未知领域的自主发现。它不依赖于预先标注的标签，而是直接面对原始数据，旨在发掘其内在的结构、规律与异常。这类算法如同一位敏锐的数据侦探，能够在浩如烟海的信息中，自发地识别模式、压缩冗余、发现关联并预警风险。

这张生成的图像能检测吗

（论文速读）DGI：深度图信息论文题目：DEEP GRAPH INFOMAX（深度图信息）会议：ICLR2019摘要：我们提出了深度图信息(Deep Graph Infomax, DGI)，这是一种以无监督方式学习图结构数据中的节点表示的通用方法。DGI依赖于最大化补丁表示和相应的图的高级摘要之间的相互信息，两者都是使用已建立的图卷积网络架构派生的。学习到的补丁表示总结了以感兴趣的节点为中心的子图，因此可以在下游节点智能学习任务中重用。与大多数先前使用GCNs进行无监督学习的方法相比，DGI不依赖于随机漫步目标，并且很容易适用于传导和

进阶篇-机器学习篇-1--机器学习入门：什么是机器学习？它如何让机器“学会”思考？作者：Weisian 发布时间：2026年2月10日机器学习（Machine Learning, ML）不是让机器“编程”，而是让机器从数据中学习，自动掌握完成任务的规律。

【机器学习】自组织映射神经网络目录一、引言二、核心原理与网络结构三、完整训练流程四、关键特性五、优缺点六、典型应用场景七、与相关算法对比

这张生成的图像能检测吗

（论文速读）Unified Modality Separation: 无监督领域自适应的视觉语言框架论文题目：Unified Modality Separation: A Vision-Language Framework for Unsupervised Domain Adaptation（无监督领域自适应的视觉语言框架）

这张生成的图像能检测吗

（论文速读）GraphSAGE：大型图的归纳表示学习论文题目：大型图的归纳表示学习会议：NIPS2017摘要：大型图中节点的低维嵌入已经被证明在各种预测任务中非常有用，从内容推荐到识别蛋白质功能。然而，大多数现有的方法要求在训练嵌入时图中的所有节点都存在;这些先前的方法本质上是转导的，不能自然地推广到看不见的节点。在这里，我们提出GraphSAGE，一个通用的归纳框架，利用节点特征信息(例如，文本属性)有效地为以前未见过的数据生成节点嵌入。我们不是为每个节点训练单独的嵌入，而是学习一个函数，该函数通过从节点的局部邻域中采样和聚合特征来生成嵌入。我们的算法在

【机器学习】限制性玻尔兹曼机（RBM）目录一、引言二、基本定义与核心特点三、网络结构详解四、能量函数与概率分布1. 能量函数 (Energy Function)

AI 任务分类：人工智能到底能干啥？本文将带你通过生动的例子，通过“任务分类”的视角，看懂 AI 的能力版图。如果把人工智能（AI）比作一个刚入职的全能实习生，那么根据你交给他的任务不同，我们可以把 AI 的工作主要分为四大类：

黑客思维者

机器学习003：无监督学习（概论）--机器如何学会“自己整理房间”想象一下，你面对一个从未整理过的、堆满各种物品的房间。没有人告诉你“书应该放书架”“衣服该进衣柜”，但你能自然而然地根据物品的形状、颜色、材质，把相似的东西归在一起。这种不依赖明确指令，仅凭观察事物本身来发现规律的能力，正是无监督学习（Unsupervised Learning）试图赋予机器的核心智能。

使用互信息进行无监督学习深度学习中的一个经典问题是监督分类，监督分类需要带标注的输入图像。我们已经学习了如何在 MNIST 和 CIFAR10 数据集上执行分类任务：对于 MNIST 数据集，三层 CNN 配合全连接层可实现高达 99.3% 的准确率；而对于 CIFAR10 数据集，使用 ResNet 或 DenseNet 可获得约 94% 的准确率。这两个数据集均属于已标注数据集。与监督学习不同，本节的目标是实现无监督学习。我们关注的是无标注条件下的分类问题。核心思路是：如果能够学会对所有训练数据的潜编码向量进行聚类，那么通

机器学习四范式（有监督、无监督、强化学习、半监督学习）目录一、监督学习：“有标签”二、无监督学习：“无标签”三、强化学习：“无标签，有奖励机制”四、半监督学习：“有标签”

计算机视觉的未来方向：无监督学习与生成模型欧洲计算机视觉会议（ECCV）于周日开幕，与国际计算机视觉会议（ICCV）交替举办。原定今年在格拉斯哥举行的ECCV，与今年夏天大多数主要计算机科学会议一样，转为线上举行。

雪碧聊技术

机器学习的算法有哪些？🌟 欢迎来到AI奇妙世界！ 🌟亲爱的开发者朋友们，大家好！👋我是人工智能领域的探索者与分享者，很高兴在CSDN与你们相遇！🎉 在这里，我将持续输出AI前沿技术、实战案例、算法解析等内容，希望能和大家一起学习、交流、成长！💡

信息最大化（Information Maximization）信息最大化在目标域无标签的域自适应任务中，它迫使模型在没有真实标签的情况下，对未标记数据产生高置信度且类别均衡的预测。此外，这些预测也可以作为伪标签用于自训练。

Python数据分析案例73——基于多种异常值监测算法探查内幕交易信息之前有监督模型案例都做烂了，现在来做一下无监督的模型吧，异常检测模型。其实这个案例主要目的是为了展示这些异常值的无监督算法怎么使用的，本文是一个无监督算法的总结大全。只是恰巧有同学需要做这个内幕交易的数据，因此才使用这个数据作为展示异常时监测算法的使用罢了。