（Aliyun AI ACP 16）知识点：聚类分析

最新推荐文章于 2025-10-24 19:46:52 发布
最新推荐文章于 2025-10-24 19:46:52 发布
阅读量407 收藏 1
点赞数 10
CC 4.0 BY-SA版权
分类专栏： 人工智能基础知识点 文章标签： 人工智能 自然语言处理 深度学习 python 机器学习 神经网络 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_39813001/article/details/136439304
聚类分析是一种无监督学习方法，包括k-means、k-medoids、层次聚类（凝聚型和分裂型）和密度-Based的DBSCAN算法。它在数据挖掘、社交网络分析等领域有广泛应用。k-means算法简单快速，但对初始聚类中心敏感；k-medoids更鲁棒，选择真实数据点作为聚类代表。DBSCAN能发现任意形状的簇，对噪声和离群点处理良好。CLIQUE算法适用于图数据聚类，寻找完全子图。

文章目录

阿里云人工智能工程师ACP认证考试知识点辅助阅读

（Aliyun AI ACP 16）知识点：聚类分析

聚类分析（Clustering Analysis）

聚类分析是一种无监督学习方法，它将数据集中的样本分成不同的组或簇，使得同一簇内的样本相似度较高，而不同簇之间的样本相似度较低。聚类可以帮助发现数据的内在结构和模式，不依赖预先知道的类别标签，而是根据数据本身的相似性来组织数据。

应用范围

  • 数据挖掘：市场细分，客户群体划分
  • 社交网络分析：社群发现
  • 生物信息学：基因表达数据分析，物种分类
  • 地理信息系统：地区分区，热点分析
  • 计算机视觉：图像分割，图像聚类

聚类算法分类与简介

划分聚类算法

k-means算法

k-means算法是一种迭代优化的过程，用于将数据集中的样本分配到k个不同的簇中。算法首先随机选择k个初始聚类中心，然后按照每个样本到这些中心的距离将其归类到最近的簇中。接着，重新计算每个簇的中心，即该簇中所有样本的平均值。这个过程反复执行，直到聚类中心不再显著改变或达到预设的最大迭代次数。k-means假设簇的形状接近圆形且大小相似，其优势在于简单快速，

了解本专栏 订阅专栏 解锁全文 超级会员免费看
（Aliyun AI ACP 08）智能语音处理基础知识：语音识别、语音合成
North_D的博客
03-04 747
而近年来，基于深度学习的神经声码器如WaveNet和MelGAN，通过卷积神经网络生成高分辨率的音频波形，极大地提升了合成语音的真实感和自然度。综上所述，语音识别与语音合成技术不仅是人工智能领域的核心组成部分，还在不断发展的技术进步中拓宽着应用场景，改变着人们的日常生活与工作方式。：基于HMM的统计参数合成框架（如HTS）结合HMM模型和声码器，根据文本生成连续的声学参数轨迹，进而合成语音。：在游戏开发和虚拟现实场景中，高质量的语音合成技术赋予角色生动真实的语音对话，极大增强了玩家的沉浸感和交互性。
（Aliyun AI ACP 01）人工智能与人工智能技术概述
North_D的博客
03-01 1414
阿里云人工智能工程师ACP认证考试知识点辅助阅读。人工智能是一门研究、开发用于模拟、延伸和拓展人的智能的理论、方法、技术以及应用系统的前沿科技领域。它的核心在于如何使计算机具备理解和解析外部世界的能力，进行复杂的决策制定，并能通过学习和经验积累改进自身性能。人工智能涵盖了机器学习、深度学习、自然语言处理、计算机视觉等多个子领域，旨在创建具有感知、理解、推理、学习、交互甚至创造能力的智能实体。深度学习概述深度学习是一种特殊的机器学习方法，它主要依靠多层非线性变换的神经网络结构来模拟和提取高维度数据的复杂特征。
（Aliyun AI ACP 05）视觉智能基础知识：视觉智能基础知识详解
North_D的博客
03-03 769
图像识别旨在让机器通过学习和匹配模型，准确识别出图像中的物体类别。其分类体系包括但不限于物体分类、行为识别、场景识别等多个层次。
（Aliyun AI ACP 10）阿里云视觉智能
North_D的博客
03-04 543
阿里云视觉智能服务代表着阿里集团在视觉人工智能领域的战略部署，致力于融合大数据挖掘、深度学习等先进科技手段，为用户提供一套全面且强大的智能图像和视频处理解决方案。这一服务秉持以人为本的设计理念，聚焦于解决实际业务问题，以高精度、高效率地服务于多元化的应用场景。
（Aliyun AI ACP 12）阿里云自然语言处理NLP
North_D的博客
03-05 387
阿里云自然语言处理（Natural Language Processing, NLP）是阿里巴巴集团提供的先进AI技术服务之一，致力于解决文本数据处理的各种挑战。为了充分利用这一强大工具，首先需要注册并激活阿里云账号。
North-D人工智能文章索引
North_D的博客
04-14 977
Adversarial prompting是提示工程中的一个重要主题，它可以帮助我们了解LLMs的风险和安全问题。同时，它也是一个重要的学科，可以识别这些风险并设计技术来解决这些问题。当您将这个函数定义作为请求的一部分传递时，它实际上并不执行函数，只是返回一个包含调用函数所需参数的JSON对象。但您可以尝试更聪明的提示并查看是否可以使注入在更新的模型上起作用。测试模型的漏洞是提示工程过程的重要组成部分，因为您旨在构建更强大和安全的模型。一个简单的解决方法是警告模型可能存在的恶意攻击，并告知期望的行为。
Stable Diffusion文生图提示词实践：持剑少年
North_D的博客
04-26 1522
Stable Diffusion文生图提示词实践：持剑少年
Stable Diffusion文生图提示词实践：麦橘写实schooluniform
North_D的博客
04-22 2121
文生图，麦橘写实schooluniform
Stable Diffusion文生图提示词实践：黏土风格文生图与图生图
North_D的博客
05-20 1196
Stable Diffusion文生图提示词实践：黏土风格文生图与图生图
阿里云javasdk源码-aliyun-java-sdk-dysmsapi:阿里云短信接口sdk
06-06
aliyun-java-sdk-dysmsapi 阿里云短信接口sdk 见阿里云地址 由于阿里云不提供业务性质的maven中心库包，因此我将其源码上传到了我个人的maven中心库下。 maven 中心库地址 <groupId>...
aliyun-iot-demo-nodejs:Nodejs模拟硬件设备接入阿里云IoT物联网套件，基础版demo+高级版demo
05-18
thermometer-iot-fc-dingtalk 1. 阿里云IoT物联网套件-基础版产品开发实战 1.1 场景：办公室中已经布点的温湿度计设备上报数据到钉钉群机器人。 思路：温湿度计通过MQTT协议连接到IoT套件，规则引擎针对数据上报...
Deepseek-ocr论文精读
wanzhong2333的博客
10-21 1684
给出了几个重要信息这是一篇探究视觉二维映射（optical 2D mapping）实现长上下文压缩的可行性的文章。这个模型不怕高分辨率的输入。当视觉图像压缩比很高的情况下，识别的精度依然很高。模型推理速度快，单张 A100-40G 显卡搭载的 DeepSeek-OCR 每日可生成 20 万页以上的数据。下图其他模型的在基准测试中对比，出手就是王炸，deepseek-ocr系列包揽了整个外围，类似机器学习的AUC图像，面积越大，模型性能越好。
密集向量，稀疏向量，二进制向量 之间有什么区别和联系
陈开心的博客
10-21 1397
摘要： 密集向量（Dense Vector）、稀疏向量（Sparse Vector）和二进制向量（Binary Vector）是机器学习中常用的三种向量表示方法。密集向量由连续浮点数组成，通常由神经网络生成，用于捕获语义信息（如BERT嵌入）。稀疏向量大部分维度为0，适用于词袋模型或TF-IDF，高效存储非零特征。二进制向量仅用0/1表示特征存在性，适合布尔场景（如图片哈希）。三者区别在于数值类型、维度和应用场景：密集向量适合语义匹配，稀疏向量用于关键词检索，二进制向量用于快速特征比对。现代系统（如Milv
合合信息亮相PRCV：多模态文本智能与内容安全双擎驱动的技术突破与实践解析
2501_92808811的博客
10-22 748
合合信息的方案首先通过CV模型定位图片中的文字区域（如用户发布的广告图中的宣传语），再通过OCR提取文字后，利用多模态模型判断图文关联性（如图片为儿童玩具，但文字包含“成人用品促销”这类矛盾内容），最后结合内容安全模型的敏感实体识别（如违禁药品名称）与情感分析（如煽动性词汇密度）输出拦截建议。例如，一张包含文字的发票图片（图像模态），需要先通过OCR（光学字符识别）提取文字（文本模态），再结合发票模板规则（结构化知识）与业务上下文（如报销政策）进行语义分析（文本推理）。合合信息的技术突破在于：通过。
软件所2025预推免
最新发布
qq_73354094的博客
10-24 486
2.大笨钟，00:00-12:00不报时（包含端点），后半天报时，整点就报对应的时间，超出的就多报一声，例如13:00报一声，13:05报两声。8.在100米的航道，两船开始时相向而行，第一船100米用72秒，第二船100米60秒，掉头不算时间，问在12分钟内相遇几次？2.观察n天，7天有不活跃情况（上午或者下午不活跃），5天上午活跃，6天下午活跃，如果下午不活跃上午一定活跃，问观察了几天。11.10张牌，开始时都是反面，1的倍数翻一次，2的倍数翻一次，一直到10，问最后正面朝上的最大和最小的差值是多少？
如何建模，将真实问题建模为模型问题【持续更新，没写完】
qq_41764621的博客
10-23 618
文章摘要： 机器学习模型的核心在于其"归纳偏置"，即模型对未知数据的假设偏好。不同模型具有独特的偏置：线性回归假设线性关系；CNN依赖局部性和平移不变性；RNN强调序列信息；Transformer采用全局上下文和动态关系偏置；LLM则基于"预测下一个词"的自回归偏置。理解模型的关键在于分析其偏置内容，包括继承的基础偏置、引入的新架构设计及其假设、性能权衡等。这一视角为模型分析和论文阅读提供了系统框架。
神经网络中的 HWC→CHW 格式转换
StarPrayers.的博客
10-23 409
HWC（高度、宽度、通道）和CHW（通道、高度、宽度）是神经网络中两种数据格式。CHW格式更符合主流框架（如PyTorch）要求，能提升计算效率，减少内存访问延迟，并与预训练模型兼容。转换方法包括使用NumPy的transpose或PyTorch的permute函数进行维度置换。CHW格式有利于优化GPU计算性能，适配深度学习框架的卷积操作要求。
变分自编码器（Variational Autoencoder，VAE）
盼小辉丶的博客
10-23 690
变分自编码器 (VAE) 是一种生成模型，其目标是对输入数据的分布进行建模。VAE 由编码器和解码器组成，编码器将输入数据映射到连续潜空间的高斯分布，解码器则从潜向量重构输入。通过引入变分推理，VAE 使用可处理的分布近似真实后验分布，并构建证据下界 (ELBO) 作为优化目标。损失函数包括重构损失和 KL 散度损失，后者促使潜空间接近标准高斯先验。为解决随机采样导致的梯度阻断问题，VAE 采用重参数化技巧。训练完成后，解码器可直接用于生成新样本。
qwen3vl的image_max_token_num和max_pixels
jiangqixing0728的博客
10-20 1295
摘要：Qwen3-VL模型相较前代版本调整了图像预处理方式，将环境参数从MAX_PIXELS改为IMAGE_MAX_TOKEN_NUM。经分析发现patch_size从14变为16，导致下采样因子（IMAGE_FACTOR）从28变为32。用户可通过简单换算实现参数对齐：原MAX_PIXELS=602112对应新参数IMAGE_MAX_TOKEN_NUM=768。该变化源于模型架构调整，建议直接按最终token数设置新参数。（149字）
hadoop-aliyun.sh: line 49: `_hadoop-aliyun_hadoop_classpath': not a valid identifier
08-28
### 问题分析 用户在执行 Hadoop 相关脚本时遇到如下报错： ``` hadoop-aliyun.sh line 49: invalid identifier _hadoop-aliyun_hadoop_classpath ``` 该错误通常出现在 Shell 脚本中尝试定义或引用一个非法的...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

North_D

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值