unsupervised learning: clustering介绍

最新推荐文章于 2022-05-21 13:31:20 发布
最新推荐文章于 2022-05-21 13:31:20 发布
阅读量133 收藏
点赞数
文章标签： 人工智能
原文链接：http://www.cnblogs.com/yan2015/p/5228319.html
版权

unsupervised learning

 

 

上面是监督学习与无监督学习的比较,监督学习的training set是一组带label(y)的训练集,而无监督学习不带有label(y)。

上图中的监督学习求出决策线，用来区别正负样本点；

clustering是unsupervised learning算法的一种，用来确定数据内部的结构。

clustering算法的一些应用

对客户进行分组clustering来有针对性的营销；

对社交网络（如facebook等）进行分析，找出朋友圈；

利用clustering更好地组织数据中心，将work together的一些资源放在一起来提高效率；

利用clustering来理解星系的形成

转载于:https://www.cnblogs.com/yan2015/p/5228319.html

weixin_30764883
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Unsupervised clustering—— KMeans
kelly_fumiao的博客
06-04 2724
1. 理解 简单来说， 无监督聚类也是对数据实体的分类，只是在这个分类过程中，没有一个标签告诉你这个实体应该属于哪一类， 分类的准则实际上是数据实体本身的相似度。 这里相似度(similarity measure)的衡量常见的是距离(e.g. euclidean-based distance or correlation-based distance)。 KMeans算法是最典型的无监督聚类算法。 K代表了有K个类别，这是用户需要自定义的。也可以说是K个中心点(cluster centers/centrio
哈佛大学——差异表达分析（六）样本水平质控（PCA和分层聚类）
weixin_46585008的博客
11-04 1万+
文章目录学习目标质量控制样本水平WC 学习目标 转换计数的无监督聚类方法(unsupervised clustering methods) 用主成分分析(Principal Components Analysis)评价样品质量 数据集中样本的层次聚类(Hierarchical clustering) 质量控制 DESeq2工作流程的下一步是QC，包括样本水平(sample-level)和基因水平(gene-level)的步骤，对计数数据进行QC检查，以帮助我们确保样本/重复看起来良好。 样本水平WC
unsupervised-clustering:未知来源图像的无监督聚类分类
06-01
无监督图像聚类 这是一种用于未知源图像分类的无监督聚类算法。 需要预先计算每个输入图像的 PRNU（光响应非均匀性）。 PRNU 充当图像指纹，对于从同一来源拍摄的照片应该是相似的。
Unsupervised Clustering using Pseudo-semi-supervised Learning
Flare_J 的博客
03-20 731
UNSUPERVISED CLUSTERING USING PSEUDO-SEMI-SUPERVISED LEARNING 使用伪半监督学习的非监督聚类 ​ — 2020发表于ICLR（CCF A) Unsupervised Clustering using Pseudo-semi-supervised LearningUNSUPERVISED CLUSTERING USING PSEUDO-SEMI-SUPERVISED LEARNINGABSTRACTINTRODUCTI
【CVPR2019_论文汇总】（按方向划分，0401 更新中）
热门推荐
maweifei的博客
04-01 3万+
转载链接：http://bbs.cvmart.net/topics/302/cvpr2019paper 作为计算机视觉领域三大顶会之一，CVPR2019（2019.6.16-6.19在美国洛杉矶举办）被CVers 重点关注。目前CVPR 2019 接收结果已经出来啦，相关报道：1300篇！CVPR2019接收结果公布，你中了吗？ 开设此帖希望可以实时跟进CVPR2019的即时信息及相关优秀论文，...
2020年 ICLR 国际会议最终接受论文(poster-paper)列表(一)
yinizhilianlove的博客
02-21 1万+
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2020-01-22     2020年的ICLR会议将于今年的4月26日-4月30日在Millennium Hall, Addis Ababa ETHIOPIA（埃塞俄比亚首都亚的斯亚贝巴 千禧大厅）举行。     2020年ICLR会议（Eighth International Con...
深度学习自学（二十六）：ICCV2019
TheDayIn_CSDN的博客
11-07 1万+
简单整理下人脸方向ICCV2019相关的论文。 Oral 论文 11.Photo-Realistic Facial Details Synthesis from Single Image 作者：Anpei Chen, Zhang Chen, Guli Zhang, Ziheng Zhang, Kenny Mitchell, Jingyi Yu 论文链接：https://arxiv.org/a...
论文分享-- ＞序列挖掘-- > DEEP TEMPORAL CLUSTERING: FULLY UNSUPERVISED LEARNING OF TIME-DOMAIN FEATURES
村头陶员外的博客
07-04 2704
因为业务需求，私下学习了些序列数据的处理算法，本文将总结ICLR2018论文：DEEP TEMPORAL CLUSTERING: FULLY UNSUPERVISED LEARNING OF TIME-DOMAIN FEATURES，论文链接DTC，参考的论文代码 DeepTemporalClustering，本论文方法是完全针对时序数据的无监督聚类算法，是第一次提出在无标签的时序数据上，建立了一...
聚类分析算法概述_聚类算法-概述
cunzai1985的博客
09-22 1759
聚类分析算法概述 聚类算法-概述 (Clustering Algorithms - Overview) Advertisements 广告 Previous Page 上一页 Next Page 下一页 集群介绍 (Introduction to Clustering) Clustering methods are one of the most useful...
DTC(Deep Temporal Clustering--Fully Unsupervised Learning of Time-Domain Features)论文理解
weixin_43897803的博客
07-16 986
DTC网络模型图： 整体网络模型的损失函数为：重构损失+聚类损失，即MSE+KL 一、MSE 经过TAE(temporal autoencoder)层，在输出和输入之间求重构损失MSE，TAE层具体网络类型结构见上图 二、聚类层 1.先将所有样本分为k个部分以获得簇，再对每个簇的元素求平均来获取初始的簇中心。 2.训练过程：①计算xi属于第j个簇的概率，xi的潜在特征zi离第j个簇中心wj越近，则xi属于第j个簇的概率越大；②用loss function更新簇中心，这个loss function最大化高信
Clustering-UnsupervisedLearning:KMeans算法实现
05-11
k均值聚类旨在将n个观察值划分为k个聚类，其中每个观察值均属于具有最均值的聚类，作为聚类的原型。 这导致将数据空间划分为Voronoi单元。 在该项目中，实施了KMeans算法以查找数据中的模式。 通过不同数量的质心...
机器学习 -- Unsupervised Learning: Principle Component Analysis
01-30
Unsupervised Learning: Principle Component Analysis Dimension Reduction Clustering Distributed Representation PCA PCA – Another Point of View
Unsupervised_learning_country_data:聚类分析
03-16
Unsupervised_learning_country_data 聚类分析
unsupervised-learning:此回购包含无监督模型，包括应用于研究论文集的潜在狄利克雷分配（LDA）模型和应用于客户细分的聚类分析
05-11
在本项目中，我将把聚类算法应用于UCI机器学习存储库中的数据集“批发客户”数据集。 数据集包含几个产品类别的客户支出金额。神经网络教程，其中我分别使用Keras和TensorFlow构建了全连接网络和卷积神经网络（正在...
Grip-task-Prediction-using-unsupervised-learning:任务2
04-06
使用无监督学习的掌握任务预测任务2：使用“虹膜”数据预测最佳聚类数并直观地表示
论文笔记（九）《UNLEARNABLE EXAMPLES: MAKING PERSONAL DATA UNEXPLOITABLE》
qq_39667860的博客
05-21 885
《不可学习样本：使个人数据不可利用》 背景：免费的学习资料很多，但是引起了使用未经授权使用个人的数据进行商业训练的隐私担忧。 贡献：提出了一种误差最小化噪声，它可以使训练示例不可学习。 错误最小化噪声是有意产生的，以减少一个或多个接近于零的训练示例的错误，可以防止模型在训练过程中受到目标函数的惩罚，从而使模型认为没有“任何”可以从示例中学习。让深度学习无法利用个人未经授权的数据。 误差最小化噪声可以基于样本也可以基于类产生。 相关工作： 数据中毒攻击： 数据中毒攻击的目的是通过修改训练样例来降低模型在干净样
论文解读《DEEP TEMPORAL CLUSTERING: FULLY UNSUPERVISED LEARNING OF TIME-DOMAIN FEATURES》
qq_35531985的博客
07-06 1451
该篇论文发表于ICLR2018，是本论文的方法是完全针对时间数据的无监督聚类算法，是第一个提出的在无标签的时间数据上，建立的端到端的算法框架。 论文的创新点 不同于一般的静态数据，时间序列内样本某时刻的状态变化会与之前后时刻状态相关，例如天气数据、语言数据等。对于无标签数据的聚类，传统的方法是 ...
Deep Temporal Clustering: Fully unsupervised learning of time-domain features
qq_21561539的博客
06-26 487
2020.2 Madiraju N S, Sadat S M, Fisher D, et al. Deep Temporal Clustering: Fully unsupervised learning of time-domain features[J]. arXiv: Learning, 2018.
无监督学习——聚类算法（Unsupervised learning-clustering）通俗讲解
物是人非事事休 欲语泪湿春衫袖
06-04 1万+
        接触过机器学习（Machine learning）的看官都应该知道机器学习分为监督学习（supervised learning）和无监督学习(unsupervised learning)。通俗的来讲，监督学习是我们提供大量数据，并且这些数据都有其对应的具体标签（或具体的准确值、实际特征对应值），也就是算法中的y，例如：训练集{X,Y}。然后由我们利用回归算法或分类算法对数据进行训练...
Machine Learning specific learning route
最新发布
04-04
6. Unsupervised Learning: Understanding unsupervised learning algorithms like clustering, principal component analysis, and association rule mining is important. 7. Deep Learning: Learning about ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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
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