無監督學習

無監督學習（unsurpervised learning）是深度學習的基礎，也是大資料時代科學家們用來處理資料探勘的主要工具。個人理解的話就是資料太多，而人們不可能給每個資料樣本加標籤吧，所以才有了無監督學習。

當然用的最多的是用無監督學習演算法訓練引數，然後用一部分加了標籤的資料測試，這種方法叫半監督學習（semi-unsurpervised）。

最近看的幾個深度學習演算法是：

稀疏自編碼(sparse auto-encoder)

稀疏限制玻爾茲曼機器（sparse rbm）

k-means 聚類和高斯混合模型

根據**an analysis of single-layer networks in unsupervised feature learning的實驗結果，k-means聚類演算法是準確率最高，而且不需要超引數（hyper-parameter）。

有監督學習和無監督學習 無監督學習

一.無監督學習包含的演算法 聚類 kmeans聚類演算法 降維 pca 之所以叫無監督學習 是因為模型是從無標籤的資料開始學習，沒有目標值。二.kmeans聚類 1.聚類演算法步驟 定義 將高維資料轉化為低維資料的過程，在此過程中可能會捨棄原有資料，創造新的變數 作用 降低原始資料的維數 複雜度 損...

無監督學習與監督學習

1.無監督和有監督的理解方法有很多，主要可以從以下幾方面來理解 1 無監督與監督學習的區別在於乙個無教學值，乙個有教學值。但是，個人認為他們的區別在於無監督學習一般是採用聚簇等演算法來分類不同樣本。而監督學習一般是利用教學值與實際輸出值產生的誤差，進行誤差反向傳播修改權值來完成網路修正的。但是無監督...

監督學習和無監督學習

機器學習要解決的第一類問題是分類問題。機器學習的另一項任務是回歸，它主要用於 數值型資料。大多數人可能都見過回歸的例子 資料擬合曲線 通過給定資料點的最優擬合曲線。分類和回歸都屬於監督學習，之所以稱之為監督學習，是因為這類演算法必須知道 什麼，即目標變數的分類資訊。與監督學習對應的是無監督學習，此時...