无监督学习

汤姆和佩琦

2024-11-16-机器学习方法：无监督学习（1）聚类（上）学习起来，李航老师的《机器学习方法》的第二大部分——无监督学习，这本书后续的学习都不打算看课了，准备看书写总结，并结合github上的代码进行学习，加油，干起来。

DiffSeg——基于Stable Diffusion的无监督零样本图像分割基于计算机视觉的模型的核心挑战之一是生成高质量的分割掩模。大规模监督训练的最新进展已经实现了跨各种图像风格的零样本分割。此外，无监督训练简化了分割，无需大量注释。尽管取得了这些进展，构建一个能够在没有注释的零样本设置中分割任何东西的计算机视觉框架仍然是一项复杂的任务。语义分割是计算机视觉模型中的一个基本概念，涉及将图像划分为具有统一语义的较小区域。该技术为许多下游任务奠定了基础，例如医学成像、图像编辑、自动驾驶等。

机器学习的魔法（一）从零开始理解吴恩达的精炼笔记一、机器学习是什么？1、机器学习的概念机器学习是一种人工智能领域的技术和方法，旨在使计算机系统能够从经验数据中自动学习和改进，而无需显式地进行编程。它涉及开发算法和模型，使计算机能够自动分析和理解数据，并根据经验数据中的模式和规律做出预测或做出决策。

顶呱呱程序

159基于matlab的基于密度的噪声应用空间聚类(DBSCAN)算法对点进行聚类基于matlab的基于密度的噪声应用空间聚类(DBSCAN)算法对点进行聚类，聚类结果效果好，DBSCAN不要求我们指定集群的数量，避免了异常值，并且在任意形状和大小的集群中工作得非常好。它没有质心，聚类簇是通过将相邻的点连接在一起的过程形成的。优于kmeans。程序已调通，可直接运行。

【Machine Learning】Unsupervised Learning本笔记基于清华大学《机器学习》的课程讲义无监督学习相关部分，基本为笔者在考试前一两天所作的Cheat Sheet。内容较多，并不详细，主要作为复习和记忆的资料。

f-VAEGAN-D2：VAE+GAN处理零样本学习问题虽然f-VAEGAN-D2在题目中说“适用任意样本”，但对比的Few-shot相关的实验较少，这里仅讨论零样本学习的情况。

生成模型的两大代表：VAE和GAN给定数据集，希望生成模型产生与训练集同分布的新样本。对于训练数据服从\(p_{data}(x)\)；对于产生样本服从\(p_{model}(x)\)。希望学到一个模型\(p_{model}(x)\)与\(p_{data}(x)\)尽可能接近。

【学习笔记】计算机视觉对比学习综述本篇对比学习综述内容来自于沐神对比学习串讲视频以及其中所提到的论文和博客，对应的链接详见第六节。本篇博客所涉及的对比学习内容均应用在CV领域，算是到21年为止比较全面的对比学习综述内容讲解。对比学习作为一种自监督学习方法，其在CV领域的发展也印证着自监督学习的发展，科研工作者也在一步步揭开自监督学习的神秘面纱，通过构建不同的代理任务，采用不同的模型架构，来极力挖掘自监督学习的潜力。相信通过本篇博客的学习，你能够对对比学习有着更深刻的认识，万变不离其宗，当你领悟到对比学习的本质，你就能

机器学习：无监督学习随机选取K个中心，然后计算每个点与中心的距离，找最近的，然后更新中心点如何觉得距离的个数跟kmeans不一样，切的地方不一样导致的数量会不一样。