无监督学习

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：

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