2. 非監督式學習

• 2.1. 高斯混合模型
  • 2.1.1. 高斯混合
  • 2.1.2. 變分貝氏高斯混合
• 2.2. 流形學習
  • 2.2.1. 簡介
  • 2.2.2. Isomap
  • 2.2.3. 局部線性嵌入
  • 2.2.4. 修改後的局部線性嵌入
  • 2.2.5. 黑塞特徵映射
  • 2.2.6. 譜嵌入
  • 2.2.7. 局部切空間對齊
  • 2.2.8. 多維縮放（MDS）
  • 2.2.9. t-分布隨機鄰居嵌入（t-SNE）
  • 2.2.10. 實際使用技巧
• 2.3. 分群
  • 2.3.1. 分群方法概述
  • 2.3.2. K-means
  • 2.3.3. 親和力傳播
  • 2.3.4. 均值漂移
  • 2.3.5. 譜分群
  • 2.3.6. 階層式分群
  • 2.3.7. DBSCAN
  • 2.3.8. HDBSCAN
  • 2.3.9. OPTICS
  • 2.3.10. BIRCH
  • 2.3.11. 分群效能評估
• 2.4. 雙聚類
  • 2.4.1. 譜共同分群
  • 2.4.2. 譜雙聚類
  • 2.4.3. 雙聚類評估
• 2.5. 將訊號分解為成分（矩陣分解問題）
  • 2.5.1. 主成分分析（PCA）
  • 2.5.2. 核主成分分析（kPCA）
  • 2.5.3. 截斷奇異值分解和潛在語義分析
  • 2.5.4. 字典學習
  • 2.5.5. 因子分析
  • 2.5.6. 獨立成分分析（ICA）
  • 2.5.7. 非負矩陣分解（NMF 或 NNMF）
  • 2.5.8. 隱含狄利克雷分配（LDA）
• 2.6. 共變異數估計
  • 2.6.1. 經驗共變異數
  • 2.6.2. 收縮共變異數
  • 2.6.3. 稀疏逆共變異數
  • 2.6.4. 穩健共變異數估計
• 2.7. 新穎性與離群值偵測
  • 2.7.1. 離群值偵測方法概述
  • 2.7.2. 新穎性偵測
  • 2.7.3. 離群值偵測
  • 2.7.4. 使用局部離群因子進行新穎性偵測
• 2.8. 密度估計
  • 2.8.1. 密度估計：直方圖
  • 2.8.2. 核密度估計
• 2.9. 神經網路模型（非監督式）
  • 2.9.1. 受限玻爾茲曼機