非监督学习非监督学习中，给定的数据集没有“正确答案”，所有的数据都是一样的。无监督学习的任务是从给定的数据集中，挖掘出潜在的结构。举个栗子：我们把一堆猫和狗的照片给机器，不给这些照片打任何标签，但是我们希望机器能够将这些照片分分类。将不打标签的照片给机器通过学习，机器会把这些照片分为2类，一类都是猫的照片，一类都是狗的照片。虽然跟上面的监督学习看上去结果差不多，但是有着本质的差别：非监督学习中，虽然照片分为了猫和狗，但是机器并不知道哪个是猫，哪个是狗。对于机器来说，相当于分成了A、B两类。
7.人工神经网络的优缺点人工神经网络的优点：分类的准确度高；并行分布处理能力强,分布存储及学习能力强，对噪声神经有较强的鲁棒性和容错能力，能充分逼近复杂的非线性关系；具备联想记忆的功能。人工神经网络的缺点：神经网络需要大量的参数，如网络拓扑结构、权值和阈值的初始值；不能观察之间的学习过程，输出结果难以解释，会影响到结果的可信度和可接受程度；学习时间过长,甚至可能达不到学习的目的。8、K-Means聚类之前写过一篇关于K-Means聚类的文章，博文链接：机器学习算法-K-means聚类。关于K-Means的推导，里面有着很强大的EM思想。优点算法简单，容易实现；对处理大数据集，该算法是相对可伸缩的和高效率的，因为它的复杂度大约是O(nkt)，其中n是所有对象的数目，k是簇的数目,t是迭代的次数。通常k<<n。这个算法通常局部收敛。算法尝试找出使平方误差函数值**小的k个划分。当簇是密集的、球状或团状的，且簇与簇之间区别明显时，聚类效果较好。缺点对数据类型要求较高，适合数值型数据；可能收敛到局部**小值，在大规模数据上收敛较慢K值比较难以选取；对初值的簇心值敏感，对于不同的初始值，可能会导致不同的聚类结果；不适合于发现非凸面形状的簇。 吉林数据挖掘机器学习培训深度智谷深度人工智能学院机器学习算法。
10.词嵌入TFM和TFIDF是文本文档的数字表示，只根据频率和加权频率来表示文本文档。相比之下，词嵌入可以捕获文档中某个词的上下文。根据语境，嵌入可以量化单词之间的相似性，反过来这又方便了对词的算术运算。Word2Vec是一种基于神经网络的方法，将语料库中的单词映射到了数字向量。然后，这些向量可用来查找同义词、使用单词执行算术运算，或用来表示文本文档（通过获取文档中所有词向量的均值）。比如，假设用一个很大的文本文档来估计单词嵌入，并且“king”、“queen”、“man”和“woman”这四个词也是语料库的一部分，向量（‘word’）是表示单词“word”的数字向量。为了估计向量（‘woman’），可以用向量执行算术运算：向量（‘king’）+向量（‘woman’）-向量（‘man’）~向量（‘queen’）词（向量）嵌入的数字运算有了单词表示，可以计算两个单词的向量表示之间的余弦相似性，以此发现单词之间的相似性。余弦相似性测量的是两个矢量的夹角。机器学习方法可用来计算单词嵌入，但这往往是在顶部应用机器学习算法的前提步骤。例如，假设我们能访问数千名推特用户的推文，并知道这些用户中哪些人买了房子。为预测新用户买房的概率。
3.聚类聚类方法的目标是对具有相似特征的观察值进行分组或聚类，是一种无监督机器学习方法。聚类方法不借助输出信息进行训练，而是让算法定义输出。在这一方法中，只能使用可视化来检验解决方案的质量。当下流行的聚类方法是K均值聚类，其中“K”表示用户选择创建的簇的数量。（注意，选取K值时有多种技术可供选择，比如肘部法则。）大体上，K均值聚类法对数据点的处理步骤包括：1.随机选择数据中的K个中心。2.将每个数据点分配给**接近的随机创建的中心。3.重新计算每个簇的中心。4.如果中心没有变化（或变化很小），就结束此过程。否则，返回至第2步。（如果中心持续更改，为防止**终形成无限循环，要提前设置比较大迭代次数。）下图将K均值聚类法应用于建筑物的数据集。图中的每一列都表明了每栋建筑的效率。这四项测量的量涉及空调、插入式设备（微波炉，冰箱等）、家用燃气和可燃气体。选择K值为2进行聚类，这样就很容易地将其中一个聚类解释为高效建筑群，另一个则为低效建筑群。左图中可以看到建筑物的位置，右图可以看到两个输入值：插入式设备和可燃气体。 深度智谷深度人工智能学院图像直方图操作。
人类一直试图让机器具有智能，也就是人工智能（ArtificialIntelligence）。从上世纪50年代，人工智能的发展经历了“推理期”，通过赋予机器逻辑推理能力使机器获得智能，当时的AI程序能够证明一些***的数学定理，但由于机器缺乏知识，远不能实现真正的智能。因此，70年代，人工智能的发展进入“知识期”，即将人类的知识总结出来教给机器，使机器获得智能。在这一时期，大量的**系统问世，在很多领域取得大量成果，但由于人类知识量巨大，故出现“知识工程瓶颈”。\quad无论是“推理期”还是“知识期”，机器都是按照人类设定的规则和总结的知识运作，永远无法超越其创造者，其次人力成本太高。于是，一些学者就想到，如果机器能够自我学习问题不就迎刃而解了吗！机器学习（MachineLearning）方法应运而生，人工智能进入“机器学习时期”。“机器学习时期”也分为三个阶段，80年代，连接主义较为流行，**工作有感知机（Perceptron）和神经网络（NeuralNetwork）。90年代，统计学习方法开始占据主流舞台，代表性方法有支持向量机（SupportVectorMachine），进入21世纪，深度神经网络被提出，连接主义卷土从来，随着数据量和计算能力的不断提升，以深度学习。 深度智谷深度人工智能学院图像几何操作。江苏基础机器学习培训
深度智谷深度人工智能学院图像金字塔。北京机器学习培训中心
第四步：数据集实操虽然有了系统化流程和相关工具，仍需要多加练习，方能生巧。在标准机器学习数据集上的实践。使用真实的数据集，从实际问题领域收集（而不是人为虚构的）。使用适合的内存或Excel电子表格的小型数据集。使用易于理解的数据集，以便了解期望的结果类型。练习不同类型的数据集，练习一些让你不喜欢的问题，因为你将不得不提高技术来获得解决方案。在数据问题中找出不同的特征，例如：不同类型的监督学习，如分类和回归。从数十，数百，数千和数百万个实例的不同大小的数据集。不到十个，几十个，几百个和几千个属性的不同数量的属性。来自实数，整数，分类，序数和混合的不同属性类型。不同的领域，迫使你迅速理解和了解一个你以前没有解决过的新问题。使用UCI机器学习库这些是**常用和比较好理解的数据集，也是比较好的开始。在这篇文章中了解更多：使用UCI机器学习库中的小型内存数据集练习机器学习使用机器学习比赛，如Kaggle这些数据集通常较大，需要更多的准备才能建模。有关您可以练习的很受欢迎的数据集列表，请参阅以下文章：真实世界的机器学习问题之旅对你自己的设计问题的实践收集有关您的重要机器学习问题的数据。 北京机器学习培训中心
成都深度智谷科技有限公司是一家人工智能基础软件开发；人工智能教育服务；云计算装备技术服务；人工智能通用应用系统；企业管理咨询；技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；人工智能行业应用系统集成服务；互联网数据服务。的公司，致力于发展为创新务实、诚实可信的企业。深度智谷作为人工智能基础软件开发；人工智能教育服务；云计算装备技术服务；人工智能通用应用系统；企业管理咨询；技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；人工智能行业应用系统集成服务；互联网数据服务。的企业之一，为客户提供良好的人工智能培训，深度学习培训，AI培训，AI算法工程师培训。深度智谷继续坚定不移地走高质量发展道路，既要实现基本面稳定增长，又要聚焦关键领域，实现转型再突破。深度智谷始终关注教育培训行业。满足市场需求，提高产品价值，是我们前行的力量。
