unsupervised

今日在学机器学习 第八章(Unsupervised learning) 的时候 开头介绍时讲到了 K-means 应用在大型计算集群的资源分配上(见下图). 突然间一些回忆就猛的涌上心头: 本科跟着老师做的算法研究 最后毕业论文的名字叫做《基于虚拟机放置策略的数据中心网络节能算法研究》 其实和刚刚提到的资源分配非常类似. 当时在论文摘要中提到了 K-means 算法 可惜并没有深入去了解原理. 惭愧 趁这个机会好好学习下 算法并不复杂 更多的是作为一次记录与反省. 个人理解 一是知道了一堆人中男人和女人 找个方法把他们分开 然后新来一个人也能根据这个方法来判断他的性别. 二是把一堆人自动分为两类. 将图中的所有点 根据与初始化点的距离 分为两组. 根据第二步得出的两组点 重现计算新两个的中心(见下图箭头所指的点所示). 一直重复前三步的操作 直到新的中心不再变化为止. 有不懂的地方尽管给我留言哦 笔芯.

这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。 首先看什么是学习（learning）？一个成语就可概括：举一反三

在线分析器报价这是计算机世界的一个尚未开发的前沿:将各种人类情感转化成实实在在的数据。基于监督学习(supervised learning)方法对电影评论文本进行情感倾向性分类和(Turney2002)基于无监督学习(unsupervised learning)对文本情感情感倾向性分类的研究。Pang et al. 2002)在线分析器报价基于文本的N元语法 在线分析器报价起源：虽然之前也有一些相关工作，但目前公认的在线分析器报价比较系统的研究工作开始于(Pang et al. 2002)基于监督学习(supervised learning)方法对电影评论文本进行情感倾向性分类和(Turney2002)基于无监督学习(unsupervised learning)对文本情感情感倾向性分类的研究

这篇论文也是利用深度学习计算两张图片之间 homography 矩阵的方法。与前文的方法（Deep Image Homography Estimation、Unsupervised Deep Homography）不同的是输出层为 perspective field，也就是每一个像素的变换关系。在有了每个像素的变换关系以后，便能使用 DLT 计算 homography 矩阵，并且也会比只用四个点还要 robust

使用机器学习的方法可以解决越来越多的实际问题，它在现实世界中的应用越来越广泛，比如智能风控、欺诈检测、个性化推荐、机器翻译、模式识别、智能控制，等等。 机器学习分类 我们都知道，机器学习可以分为三大类：监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）和强化学习（Reinforcement Learning），下面简单介绍一下它们含义： 监督学习 监督学习是根据给定的标签（Label）已知的训练数据集，通过选定的算法在该训练数据集上进行训练学习，最后得到一个可以描述该数据集规律的预测函数，也就是我们所说的模型。有了模型，对于未知标签的输入数据，可以通过该预测函数预测出它的标签

这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。 首先看什么是学习（learning）？一个成语就可概括：举一反三

有监督学习(Supervised Learning)：我们有一个数据集，如果对于每一个单一的数据根据它的特征向量我们要去判断它的标签（算法的输出值），那么就是有监督学习。通俗的说，有监督学习就是比无监督学习多了一个可以表达这个数据特质的标签。 有监督学习，分为两个大类： 1.回归分析(Regression Analysis)：回归分析，其数据集是给定一个函数和它的一些坐标点，然后通过回归分析的算法，来估计原函数的模型，求出一个最符合这些已知数据集的函数解析式

今日在学机器学习 第八章(Unsupervised learning) 的时候 开头介绍时讲到了 K-means 应用在大型计算集群的资源分配上(见下图). 突然间一些回忆就猛的涌上心头: 本科跟着老师做的算法研究 最后毕业论文的名字叫做《基于虚拟机放置策略的数据中心网络节能算法研究》 其实和刚刚提到的资源分配非常类似. 当时在论文摘要中提到了 K-means 算法 可惜并没有深入去了解原理. 惭愧 趁这个机会好好学习下 算法并不复杂 更多的是作为一次记录与反省. 个人理解 一是知道了一堆人中男人和女人 找个方法把他们分开 然后新来一个人也能根据这个方法来判断他的性别. 二是把一堆人自动分为两类. 将图中的所有点 根据与初始化点的距离 分为两组. 根据第二步得出的两组点 重现计算新两个的中心(见下图箭头所指的点所示). 一直重复前三步的操作 直到新的中心不再变化为止. 有不懂的地方尽管给我留言哦 笔芯.

作为 AI 的重要分支，机器学习在推荐系统、在线广告、金融市场分析、计算机视觉、语言学、生物信息学等诸多领域都取得了巨大的成功。机器学习并不是像我们字面理解的那样，让冷冰冰的机器去学习，或者狭义的理解为让机器人去学习。机器学习，从本质上来说，可以理解为算法学习（Algorithm Learning）、模型学习（Model Learning）或者叫函数学习（Function Learning）