Mixing
非監督式學習
 |
本条目需要擴充。（2018年4月15日） |
非監督式學習(Unsupervised Machine Learning)是一種機器學習的方式，人類在訓練機器時並不給任何的標準答案，讓機器在訓練資料中，自己做特徵的選擇與抽取，並建立模型來對資料進行判斷與分析，非監督式學習的主要運用包含：分群(Cluster Analysis)、關聯規則(Association Rule)、維度縮減(Dimensionality Reduce)[1]。它是監督式學習和強化學習等策略之外的一種選擇。
一個常見的非監督式學習是数据聚类。在人工神經網路中，生成對抗網絡（GAN）、自組織映射（SOM）和適應性共振理論（ART）則是最常用的非監督式學習。
ART模型允許叢集的個數可隨著問題的大小而變動，並讓使用者控制成員和同一個叢集之間的相似度分數，其方式為透過一個由使用者自定而被稱為警覺參數的常數。ART也用於模式識別，如自動目標辨識和數位信號處理。第一個版本為"ART1"，是由卡本特和葛羅斯柏格所發展的。
方法
非監督式學習常使用的方法有很多種，包括：
分群法
- K-平均演算法
- 混合模型
- 階層式分群
- 異常檢測
人工神經網路
- 自編碼
- 深度置信网络
- 赫布學習
- 生成對抗網路
- 自組織映射
- 學習潛在變數模型的方法
- 最大期望演算法
- 矩估計
盲信號分離技術，例如：
- 主成份分析
- 獨立成份分析
- 非負矩陣分解
- 奇異值分解
參考文獻
^ 林東清. 資訊管理：e化企業的核心競爭能力 七版. 台北市: 智勝文化. 2018年8月: 第118頁. ISBN 9789864570478 （中文）.
Geoffrey Hinton, Terrence J. Sejnowski（editors，1999) Unsupervised Learning and Map Formation: Foundations of Neural Computation, MIT Press, ISBN 0-262-58168-X（這本書專注於人工神經網路的非監督式學習）- S. Kotsiantis, P. Pintelas, Recent Advances in Clustering: A Brief Survey, WSEAS Transactions on Information Science and Applications, Vol 1, No 1 (73-81), 2004.
- Richard O. Duda, Peter E. Hart, David G. Stork. Unsupervised Learning and Clustering, Ch. 10 in Pattern classification (2nd edition), p. 571, Wiley, New York, ISBN 0-471-05669-3, 2001.
另見
- 無監督式學習網路
- 人工神經網路
- 數據聚類
最大期望演算法
^ 林, 東清. 資訊管理：e化企業的核心競爭能力 七版. 台北市: 智勝文化. 2018年8月: 第115頁. ISBN 9789864570478.
Comments
Post a Comment