无监督学习

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。

【机器学习】算法分类使用带标签的数据训练模型。有监督学习是机器学习中最常见的一种类型，它利用已知的输入特征和对应的输出标签来训练模型，使模型能够学习到特征与标签之间的映射关系。在训练过程中，模型会不断地调整自身的参数，以最小化预测值与真实标签之间的误差，从而提高预测的准确性。

机器学习-无监督学习总结无监督学习（Unsupervised Learning）是机器学习中的一种范式，它在没有明确标注的数据上进行训练，旨在发现数据的潜在结构、模式或分布。常见的无监督学习任务包括聚类（Clustering）、降维（Dimensionality Reduction）、密度估计（Density Estimation）和生成建模（Generative Modeling）。以下是无监督学习的关键方法和应用场景。

K-Means 聚类算法：用生活场景讲解机器学习的“分组”方法K-Means 是一种经典的无监督学习聚类算法，目的是将数据集中 n 个样本划分成 K 个簇（cluster），每个样本根据其特征被归入与之最接近的簇。简单来说，这就像在超市购物时，顾客会被根据购物习惯划分为“日用品顾客”“高频食品顾客”和“零食顾客”三类，从而实现有针对性的促销。

【人工智能机器学习基础篇】——深入详解无监督学习之降维：PCA与t-SNE的关键概念与核心原理在当今数据驱动的世界中，数据维度的增多带来了计算复杂性和存储挑战，同时也可能导致模型性能下降，这一现象被称为“维度诅咒”（Curse of Dimensionality）。降维作为一种重要的特征提取和数据预处理技术，旨在通过减少数据的维度，保留其主要信息，从而简化数据处理过程，并提升模型的性能。本文将深入探讨两种广泛应用于无监督学习中的降维方法——主成分分析（PCA）和t-分布随机邻域嵌入（t-SNE），并详细解析其关键概念与核心原理。

【机器学习】机器学习的基本分类-无监督学习（Unsupervised Learning）无监督学习是一种机器学习方法，主要用于没有标签的数据集。其目标是从数据中挖掘出潜在的结构和模式。常见的无监督学习任务包括聚类、降维、密度估计和异常检测。

初试无监督学习 - K均值聚类算法下面的代码导入数据处理和绘图库，设置绘图样式为seaborn-v0_8，格式化NumPy数组输出。下面两行代码是Python中使用scikit-learn库进行聚类分析的准备工作：