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
返回《Introduction to Artificial Intelligence》慕课在线视频列表
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
-1.1 What is artificial intelligence
--Exercise 1.1
-1.2 The History of artificial intelligence
--Exercise 1.2
-1.3 Applications of Artificial Intelligence
--Exercise 1.3
-1.4 Machine Learning and Deep Learning
--Exercise 1.4
-2.1 What is Machine Learning
-2.2 Supervised Learning
-2.3 Unsupervised Learning
-2.4 Construction of Development Environment
-3.1 What is Regression
--Exercise 3.1
-3.2 Linear Regression
--Exercise 3.2
-3.3 Logistic Regression
--Exercise 3.3
-3.4 Practical Case
-4.1 What is Classification
-4.2 Naive Bayes
-4.3 Support Vector Machine
-4.4 Practical Case
-5.1 Introduction to Deep Learning
--Exercise 5.1
-5.2 What is Neural Network
--Exercise 5.2
-5.3 Neural Network Basics
--Exercise 5.3
-5.4 Practical Case
-6.1 What is Convolutional Neural Network
-6.2 Convolution Layer
-6.3 Pooling Layer
-6.4 Classical Convolutional Neural Network
-7.1 What is Computer Vision
--Exercise 7.1
-7.2 Image Classification
--Exercise 7.2
-7.3 Introduction to TensorFlow
--Exercise 7.3
-7.4 Practical Case
-8.1 What is Natural Language Processing
-8.2 Basics of NLP
-8.3 Recurrent Neural Network
-8.4 Practical Case