无监督深度学习,除了强化学习,主要包括BM、自动编码器AE和GAN领域。
无监督学习包括聚类分析,主分量分析,稀疏编码与学习
针对支持向量机要求输入向量为已标记样本,而实际应用中已标记样本很难获取的问题,提出将半监督学习和支持向量机结合的煤与瓦斯突出预测方法;介绍了采用SVM预测煤与瓦斯突出的流程及其输入向量的选择;对半监督
基于半监督学习的k平均聚类框架,陈新泉,,对于一些局部分布稀疏不均、聚类区域的形状及大小不太规整的数据点集,k-means算法一般就不能很好地探测出其聚类分布结构。在半监��
基于半监督学习的遥感图像分类研究_徐庆伶.caj ,论文,caj格式
链接预测是社会网络分析领域的关键问题,研究如何从已知网络中预测可能存在的新链接。现实网络中存在了大量未连接的节点对,从中挖掘潜在信息可以帮助实现链接预测任务。将链接预测视为二类分类问题,使用半监督学习
针对数据量较小时,克里金插值精度低的问题,将克里金插值模型与半监督学习理论相结合,利用未标记样本参与训练改进模型性能,提出基于半监督学习的克里金插值模型,即自训练克里金插值模型(STK)和协同训练克里
基于半监督学习的遥感图像分类研究_徐庆伶.pdf ,pdf,论文
人工智能(AI)的成功应该在很大程度上归功于丰富数据的可获得性。然而,实际情况并非如此,行业中的开发人员常常面临数据不足、不完整和孤立的情况。因此,联邦学习被提议通过允许多方在不显式共享数据的情况下协
无监督学习与聚类算法在机器学习领域,无监督学习扮演着重要的角色,它探索未标记数据的内在结构和规律。聚类算法,作为无监督学习的代表,将数据集划分为多个不同的子集(簇),每个簇可能揭示数据潜在的类别。