2. 无监督学习

• 2.1. 高斯混合模型
  • 2.1.1. 高斯混合
  • 2.1.2. 变分Bayesian高斯混合
• 2.2. 流形学习
  • 2.2.1. 介绍
  • 2.2.2. Isomap
  • 2.2.3. 局部线性嵌入
  • 2.2.4. 改进的局部线性嵌入
  • 2.2.5. Hessian本征映射
  • 2.2.6. 光谱嵌入
  • 2.2.7. Local Tangent Space Alignment
  • 2.2.8. 多维缩放（SCS）
  • 2.2.9. t-分布随机邻居嵌入（t-SNE）
  • 2.2.10. 实际使用技巧
• 2.3. 聚类
  • 2.3.1. 集群方法概述
  • 2.3.2. K-means
  • 2.3.3. 仿射传播
  • 2.3.4. 均值漂移
  • 2.3.5. 谱聚类
  • 2.3.6. 层次聚类
  • 2.3.7. DBSCAN
  • 2.3.8. HDBSCAN
  • 2.3.9. OPTICS
  • 2.3.10. BIRCH
  • 2.3.11. 集群绩效评估
• 2.4. 双聚类
  • 2.4.1. 光谱协同聚集
  • 2.4.2. 光谱双集群
  • 2.4.3. 双集群评估
• 2.5. 将信号分解为分量（矩阵分解问题）
  • 2.5.1. 主成分分析（PCA）
  • 2.5.2. 核心主成分分析（kPCA）
  • 2.5.3. 截短奇异值分解和潜在语义分析
  • 2.5.4. 字典学习
  • 2.5.5. 因子分析
  • 2.5.6. 独立成分分析（ICA）
  • 2.5.7. 非负矩阵分解（NMF或NNMF）
  • 2.5.8. 潜在狄利克雷分配（LDA）
• 2.6. 协方差估计
  • 2.6.1. 经验协方差
  • 2.6.2. 收缩协方差
  • 2.6.3. 稀疏反协方差
  • 2.6.4. 稳健协方差估计
• 2.7. 新颖性和异常值检测
  • 2.7.1. 异常值检测方法概述
  • 2.7.2. 新奇检测
  • 2.7.3. 离群点检测
  • 2.7.4. 利用本地异常值因子进行新颖性检测
• 2.8. 密度估计
  • 2.8.1. 密度估计：柱状图
  • 2.8.2. 核密度估计
• 2.9. 神经网络模型（无监督）
  • 2.9.1. 受限玻尔兹曼机