2. 无监督学习

• 2.1. 高斯混合模型
  • 2.1.1. 高斯混合
  • 2.1.2. 变分贝叶斯高斯混合
• 2.2. 流形学习
  • 2.2.1. Isomap
  • 2.2.2. 局部线性嵌入
  • 2.2.3. 改进的局部线性嵌入
  • 2.2.4. Hessian Eigenmapping
  • 2.2.5. 谱嵌入
  • 2.2.6. 局部切空间对齐
  • 2.2.7. 多维尺度分析 (MDS)
  • 2.2.8. t-分布随机邻域嵌入 (t-SNE)
  • 2.2.9. 实用使用技巧
• 2.3. 聚类
  • 2.3.1. 聚类方法概览
  • 2.3.2. K均值
  • 2.3.3. 亲和传播
  • 2.3.4. Mean Shift
  • 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
• 2.4. 双向聚类
  • 2.4.1. 谱协同聚类
  • 2.4.2. 谱双聚类
  • 2.4.3. 双聚类评估
• 2.5. 信号分解为成分（矩阵分解问题）
  • 2.5.1. 主成分分析（PCA）
  • 2.5.2. 核主成分分析 (kPCA)
  • 2.5.3. 截断奇异值分解与潜在语义分析
  • 2.5.4. 因子分析
  • 2.5.5. 独立成分分析（ICA）
  • 2.5.6. 非负矩阵分解（NMF 或 NNMF）
  • 2.5.7. 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. 稀疏逆协方差
  • 2.6.4. 鲁棒协方差估计
• 2.7. 新奇和异常检测
  • 2.7.1. 新颖性检测
  • 2.7.2. 异常检测
  • 2.7.3. 使用 Local Outlier Factor 进行新奇检测
• 2.8. 密度估计
  • 2.8.1. 密度估计：直方图
  • 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