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. 介绍
  • 2.2.2. Isomap
  • 2.2.3. 局部线性嵌入
  • 2.2.4. 改进型局部线性嵌入（MLLE）
  • 2.2.5. 黑塞特征映射（HE）
  • 2.2.6. 谱嵌入
  • 2.2.7. 局部切空间对齐（LTSA）
  • 2.2.8. 多维尺度分析（MDS）
  • 2.2.9. t 分布随机邻域嵌入（t-SNE）
  • 2.2.10. 实用技巧
• 2.3. 聚类
  • 2.3.1. 聚类方法概述
  • 2.3.2. K-means
  • 2.3.3. Affinity Propagation
  • 2.3.4. Mean Shift
  • 2.3.5. Spectral clustering
  • 2.3.6. 层次聚类
  • 2.3.7. DBSCAN
  • 2.3.8. OPTICS
  • 2.3.9. Birch
  • 2.3.10. 聚类性能度量
• 2.4. 双聚类
  • 2.4.1. Spectral Co-Clustering
  • 2.4.2. Spectral Biclustering
  • 2.4.3. Biclustering 评价
• 2.5. 分解成分中的信号（矩阵分解问题）
  • 2.5.1. 主成分分析（PCA）
  • 2.5.2. 截断奇异值分解和隐语义分析
  • 2.5.3. 词典学习
  • 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. 隐 Dirichlet 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. 新奇点和离群点检测
  • 2.7.1. 离群点检测方法一览
  • 2.7.2. Novelty Detection（新奇点检测）
  • 2.7.3. Outlier Detection（离群点检测）
  • 2.7.4. 使用 LOF 进行新奇点检测
• 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. 限制波尔兹曼机