1. 监督学习和无监督学习监督学习简单定义：提供一组输入数据和其对应的标签数据，然后搭建一个模型，让模型在通过训练后准确地找到输入数据和标签数据之间的最优映射关系，在输入新的数据后，模型能够通过之前学到的最优映射关系，快速地预测出这组新数据的标签。这就是一个监督学习过程。主要应用的是分类问题和回归问题。 回归问题：使用监督学习的方法，使得模型在通过训练后建立起一个连续的线性映射关系。 分类问题：使
转载
2023-08-28 10:07:33
68阅读
对抗的深度卷积生成网络来学习无监督表示主线为 Alec Radford 与 Luke Metz 等人的论文“Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks”1。摘要近年来，计算机视觉应用中使用卷积网络的监督学习被广泛采用。相比之下，无监督学习受到更少关注。本文帮
2021年8月，来自美国研究人员在《BMC Bioinformatics》杂志发表了题为“CoSTA: unsupervised convolutional neural network learning for spatial transcriptomics analysis”的研究论文，提出了CoSTA：一种通过卷积神经网络（ConvNet）聚类学习基因表达矩阵之间空间相似性的新方法。空间转录
转载
2023-10-13 00:01:47
54阅读
非监督神经网络的wake-sleep算法可以用来Fine tuning DBNs，该算法主要分为两个阶段，即"wake"阶段与"sleep"阶段，其中"wake"阶段用来学习生成权重（generative weights），"sleep"阶段用来学习识别权重（recognition weights）。一. 原理识别权重与生成权重分别对应DBNs的编码（encoder）与解码（decoder）过程，
第三章 无监督图学习3 - 图神经网络 Graph neural networks 文章目录第三章 无监督图学习3 - 图神经网络 Graph neural networks前言3.4 图神经网络 Graph neural networks3.4.1 GNNs的其他形式3.4.2 谱卷积 Spectral graph convolution3.4.3 空间图卷积 Spectral graph co
转载
2023-08-10 18:03:29
418阅读
科霍宁SOFM是一个前馈无监督学习网络，它由两层组成：输入层和输出层。输入层，也称匹配层，计算输入模式向量与权重向量的距离，即匹配度；输出层也叫比赛层，诸神按照匹配度比赛，匹配度大(距离小)的神经元确定获胜。获胜神经元及其场中神经元的权重向量在更接近模式向量的方向上更新。经过反复的竞争和更新，神经元最终会学习模式向量并以权向量的形式保存，从而实现模式向量的聚类、识别和拓扑不变性映射。这个过程就
转载
2023-06-20 01:44:53
118阅读
Generative models（生成模型）1、PixelRNN根据前面的一个像素，输出下一个像素。这种方式可以收集大量的图片进行无监督训练，训练网络。通过部分的图像就可以预测后面的图像。在训练的过程中，首先输入图像的第一个像素，这个时候神经网络的输出应该是图像的第二个像素；然后输入图像的第一、二个像素，这个时候神经网络输出的是图像的第三个像素，依次类推，对网络进行训练。 如上图，最左侧的图像为
刚入门机器学习、深度学习，主要用来做分类。在这里记录一下自己的学习历程吧，说一些自己的理解。首先就是有监督和无监督，有标签和无标签到底是什么？听师兄们在做报告的时候总会说到这些，心里总是有大大的疑惑！ 有监督学习，其实来说就是 对于一个东西，你已经知道他是什么东西了（这里的东西可以理解为训练集），然后你把这个东西告诉给神经网络或者是其他的算法，跟他说：这个东西就是属于这一类；
目录参考文献：1.竞争神经网路介绍：2.仿真实验：3. 本文Maltab代码参考文献：
1.竞争神经网路介绍：
竞争型神经网络是以无教师示教方式进行网络训练的一种神经网络。它的特点是能将输入数据中隐含的特征抽取出来，自动进行学习。网络通过自身训练，自动对输入模式进行分类。竞争型神经网络在结构上一般是由输入层和竞争层构成的两层网络。两层之间各神经元实现双向全连接，没有隐含层，有时竞争层各神经元之间还
转载
2023-08-13 15:20:54
86阅读
1、相关概念无监督学习： 无监督学习是机器学习的一种方法，没有给定事先标记过的训练示例，自动对输入的数据进行分类或分群。无监督学习的主要运用包含：聚类分析、关系规则、维度缩减。它是监督式学习和强化学习等策略之外的一种选择。 一个常见的无监督学习是数据聚类。在人工神经网络中，生成对抗网络、自组织映射和适应性共振理论则是最常用的非监督式学习。聚类： 聚类是一种无监督学习。聚类是把相似的对象通过静态分类
卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的
转载
2023-10-12 13:14:42
138阅读
神经网络无监督学习是一种机器学习的方法，它的目标是通过对数据进行聚类和特征学习，来发现数据中的隐藏结构和模式，而无需任何标签或人工干预。本文将介绍神经网络无监督学习的基本概念和常用方法，并提供Python代码示例来帮助读者更好地理解。
### 什么是无监督学习？
无监督学习是机器学习的一种范式，它与有监督学习不同，无需使用标记好的训练数据来进行学习。相反，无监督学习通过对数据进行聚类、降维和特
前三四节课讲得是有监督神经网络，这一节课讲得两种神经网络是无监督神经网络，不需要给出类别（标签），只需要给出输入即可。所有神经网络的重点就是阈值b和权值W的生成过程，是根据参数所决定的，可访问函数内部去了解算法。有监督：需要输入和划分标签，结果是判断是哪一类东西，比如：训练西瓜，苹果等，然后给出新水果告诉你是哪一种水果。无监督：只需要输入无标签，结果判定属于哪一群体的，这群体是什么不知道。比如：训
转载
2023-08-10 23:29:41
113阅读
# 无监督神经网络简介与示例
## 引言
随着人工智能的快速发展，神经网络成为了一种重要的机器学习技术。神经网络可以分为有监督学习和无监督学习两种类型。有监督学习需要通过标记好的训练样本进行学习，而无监督学习则不需要标记好的训练样本，它能够从数据中自动发现模式和结构。本文将介绍无监督神经网络的基本原理和应用，并提供一个简单的代码示例来帮助读者更好地理解。
## 无监督神经网络的原理
无监督神经
原创
2023-08-18 04:18:29
417阅读
生成网络首先我们探讨老生常谈的有监督学习和无监督学习。 有监督学习，简单来说就是样本有真实类别的标签。 无监督学习主要是找寻数据自身内部的关系。 PCA降维，可能数据在y维度变化不是很明显，但是在x维度变化特别明显，在x维度投影就能有效区分数据。 这里注意这里是特征生成的x’和原本的数据样本x求L2损失，越小越好。并没有标签在内。 密度估计：男生女生身高体重样本混合在一起只关心男生的身高体重分布。
本文仅对常见的无监督学习算法进行了简单讲述，其他的如自动编码器，受限玻尔兹曼机用于无监督学习，神经网络用于无监督学习等未包括。同时虽然整体上分为了聚类和降维两大类，但实际上这两类并非完全正交，很多地方可以相互转化，还有一些变种的算法既有聚类功能又有降维功能，一些新出现的和尚在开发创造中的无监督学习算法正在打破聚类和降维的类别划分。另外因时间原因，可能有个别小错误，如有发现还望指出。一.聚类(c
转载
2023-08-10 11:39:46
636阅读
http://www.sohu.com/a/117638113_465975这是今年 6 月份普渡大学副教授 Eugenio Culurciello 写的一篇关于无监督学习的概述性文章。除了基本概念，本文还介绍了无监督学习的四种实现模型：聚类学习、自动编码器、生成模型、PredNet。前几日，Culurciello 教授根据最近无监督学习的发展对此篇文章进行了更新与调整，机器之心对此进行了编译。无
有监督学习：建立映射关系 f:x->y 无监督学习：从无标签的数据中学习有用的模式一、聚类 将样本中相似的样本
转载
2023-08-10 23:30:03
168阅读
基于自监督多尺度邻居预测的节点特征抽取
《Node Feature Extraction by Self-supervised Multi-scale Neighborhood Prediction》
论文地址：https://arxiv.org/pdf/2111.00064.pdf一、简介 现实世界中图结构数据普遍存在且十分重要。图神经网络在许多图学习任务上都达到了state-of-the-
转载
2023-10-29 13:15:06
73阅读
自监督学习（Self-Supervised Learning）在神经网络的训练中，良好的性能通常需要大量有标签的数据，但是收集带有手工标签的数据是非常昂贵的(例如ImageNet)，并且很难扩大规模。考虑到未标记数据(如免费文本，互联网上的所有图像)的数量远远超过人类管理的标记数据集的数量，不使用它们是一种浪费。然而，无监督学习并不容易，而且效率通常比监督学习低得多。如果我们可以为无标记的数据免费
