无监督学习主要用于发现模式和检测数据中的异常值

矩量法使用观测数据样本的时刻(均值，方差，偏度和峰度)来估计总体参数。该方法非常简单，通常可以手工计算，通常可以实现全局收敛。然而，在低统计量的情况下，矩的方法有时可以产生在参数空间之外的估计。矩量法是解决混合模型的简便方法(上图)。

期望最大化算法

期望最大化(EM)算法是一种迭代方法，用于在依赖于未观察到的潜在变量的模型中找到参数的最大似然估计。EM迭代在执行期望步骤(E)和最大化步骤(M)之间交替进行，期望步骤(E)创建用于期望使用参数的当前估计的对数似然的函数，最大化步骤(M)计算使预期对数最大化的参数。在E步骤中发现的可能性。

EM收敛到最大值或鞍点，但不一定达到全局最大值。您可以通过从参数的许多随机初始估计重复EM过程，或通过使用矩的方法来确定初始估计，来增加找到全局最大值的机会。

应用于高斯混合模型(上文)的EM可用于聚类分析。

无监督神经网络

神经网络通常在标记数据上进行训练以进行分类或回归，根据定义，监督机器学习。他们还可以使用各种无监督方案对未标记数据进行培训。

自动编码

自动编码器是在其输入上训练的神经网络。本质上，自动编码器是一个前馈网络，充当编解码器，将其输入从输入层编码到具有较低神经元数的一个或多个隐藏层，然后将编码表示解码为输出层，拓扑结构为输入。

在训练期间，自动编码器使用反向传播来最小化输入和输出之间的差异。自动编码器已被用于降维，特征学习，去噪，异常检测，图像处理和学习生成模型。

深刻的信念网络

深信念网络(DBN)是自动编码器或受限制的玻尔兹曼机器(RBN)的堆栈，可以学习重建其输入。然后这些层充当特征检测器。RBN通常使用对比分歧进行训练。

DBN已被用于生成和识别图像，视频序列和运动捕获数据。

生成性对抗性网络

生成对抗网络(GAN)同时训练两个网络，一个捕获数据分布的生成模型和一个估计样本来自训练数据的概率的判别模型。训练试图最大化发生器欺骗鉴别器的概率。

GAN可用于创建虚构人物的照片并改善天文图像。GAN还被用于升级旧视频游戏中的纹理，以用于高分辨率版本的游戏。在无监督学习之外，GAN已成功应用于游戏的强化学习。

自组织地图

的自组织映射(SOM)限定到一个常规的，通常为二维网格从一组给定的数据项目的有序映射。模型与每个网格节点相关联。数据项将被映射到其模型与数据项最相似的节点，即，在某个度量中与数据项的距离最小。

您需要采取一些预防措施，以确保映射稳定且排序良好。并非所有商业实施都遵循所有预防措施。

（编辑：青岛站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!