当前课程知识点:Introduction to Artificial Intelligence >  Chapter 2 Machine Learning >  2.3 Unsupervised Learning >  Video 2.3

返回《Introduction to Artificial Intelligence》慕课在线视频课程列表

Video 2.3在线视频

下一节:Courseware 2.3

返回《Introduction to Artificial Intelligence》慕课在线视频列表

Video 2.3课程教案、知识点、字幕

大家好

在上一节课

我们介绍了

监督学习

这一节课,我们来学习

无监督学习

无监督学习是一种机器学习技术

其中用户不需要监督模型

取而代之的是,它允许模型自行工作以发现

以前未检测到的模式和信息

它主要处理未标记的数据

像之前说的那样

无监督学习

可以被认为是自学习

算法可以在没有任何标签的

数据集中

找到以前未知的模式

这类似于一个学生

拥有课本和学习所需的所有资料

去学习

但没有老师指导

最终

学生必须自己学习

才能通过考试

这种自我学习就是我们已扩展为机器的无监督学习

正如我们已经讨论的那样

在无监督学习中

我们的数据集未标记

因此,如果我们以猫和老鼠

作为原始输入数据

则我们的模型将区分所有这两种动物

然后把它们分为两种聚类

但是它无法分辨给定的聚类是否属于猫

因为它没有被标记

但任何新数据将自动匹配到

形成的聚类

无监督学习主要分为两种

聚类和关联

聚类主要涉及在未分类数据的集合中

查找结构或模式

关联规则允许在大型数据库内部的

数据对象之间建立关联

当涉及到无监督学习时

聚类是一个重要的概念

它主要涉及

在未分类数据的

集合中查找

结构或模式

它可以是形状

大小,颜色等

可用于对数据项进行

分组

或创建聚类

下面讨论了一些常见的

聚类算法

K-Means聚类

K-NN聚类

和层次聚类

K-Means聚类是一种迭代算法

该算法

分步工作

其主要目标是获得带有标签

以对其进行标识的聚类

该算法通过计算聚类的质心并确保距离

来创建尽可能不同的

数据点聚类

来确保

此质心和新数据点之间的距离

尽可能小

数据点和质心之间的

最小距离确定了

它属于哪个聚类

同时确保聚类与聚类之间不会

相互交错

质心的作用就像

聚类的心脏

该算法基于数据集中

不同数据点之间的相似性构建聚类

它遍历了数据点的各种特征

并寻找它们之间的相似性

如果发现数据点相似

则将它们分组在一起

这一直持续到数据集被分组为止

为这些聚类中的每一个创建了层次结构

K-NN聚类 并不创建模型

它是一个简单的算法

里面存储了所有的可能性

所有可用案例

根据相似性度量对新实例进行分类

这一节我们就讲到这

感谢收看,欢迎进入下一节的学习

Introduction to Artificial Intelligence课程列表:

Chapter 1 Overview of Artificial Intelligence

-1.1 What is artificial intelligence

--Video 1.1

--Courseware 1.1

--Exercise 1.1

-1.2 The History of artificial intelligence

--Video 1.2

--Courseware 1.2

--Exercise 1.2

-1.3 Applications of Artificial Intelligence

--Video 1.3

--Courseware 1.3

--Exercise 1.3

-1.4 Machine Learning and Deep Learning

--Video 1.4

--Courseware 1.4

--Exercise 1.4

Chapter 2 Machine Learning

-2.1 What is Machine Learning

--Video 2.1

--Courseware 2.1

-2.2 Supervised Learning

--Video 2.2

--Courseware 2.2

-2.3 Unsupervised Learning

--Video 2.3

--Courseware 2.3

-2.4 Construction of Development Environment

--Video 2.4

--Courseware 2.4

Chapter 3 Regression

-3.1 What is Regression

--Video 3.1

--Courseware 3.1

--Exercise 3.1

-3.2 Linear Regression

--Video 3.2

--Courseware 3.2

--Exercise 3.2

-3.3 Logistic Regression

--Video 3.3

--Courseware 3.3

--Exercise 3.3

-3.4 Practical Case

--Practical Case

Chapter 4 Classification

-4.1 What is Classification

--Video 4.1

--Courseware 4.1

-4.2 Naive Bayes

--Video 4.2

--Courseware 4.2

-4.3 Support Vector Machine

--Video 4.3

--Courseware 4.3

-4.4 Practical Case

--Practical Case

Chapter 5 Deep Learning

-5.1 Introduction to Deep Learning

--Video 5.1

--Courseware 5.1

--Exercise 5.1

-5.2 What is Neural Network

--Video 5.2

--Courseware 5.2

--Exercise 5.2

-5.3 Neural Network Basics

--Video 5.3

--Courseware 5.3

--Exercise 5.3

-5.4 Practical Case

--Practical Case

Chapter 6 Convolutional Neural Network

-6.1 What is Convolutional Neural Network

--Video 6.1

--Courseware 6.1

-6.2 Convolution Layer

--Video 6.2

--Courseware 6.2

-6.3 Pooling Layer

--Video 6.3

--Coureseware 6.3

-6.4 Classical Convolutional Neural Network

--Video 6.4

--Courseward 6.4

Chapter 7 Computer Vision

-7.1 What is Computer Vision

--Video 7.1

--Courseware 7.1

--Exercise 7.1

-7.2 Image Classification

--Video 7.2

--Courseware 7.2

--Exercise 7.2

-7.3 Introduction to TensorFlow

--Video 7.3

--Courseware 7.3

--Exercise 7.3

-7.4 Practical Case

--Practical Case

Chapter 8 Natural Language Processing

-8.1 What is Natural Language Processing

--Video 8.1

--Courseware 8.1

-8.2 Basics of NLP

--Video 8.2

--Courseware 8.2

-8.3 Recurrent Neural Network

--Video 8.3

--Courseware 8.3

-8.4 Practical Case

--Practical Case

Video 2.3笔记与讨论

也许你还感兴趣的课程:

© 柠檬大学-慕课导航 课程版权归原始院校所有,
本网站仅通过互联网进行慕课课程索引,不提供在线课程学习和视频,请同学们点击报名到课程提供网站进行学习。