本页使用了标题或全文手工转换

無監督學習

维基百科,自由的百科全书
(重定向自非监督式学习
跳到导航 跳到搜索

無監督學習英语:Unsupervised learning)是機器學習的一種方法,沒有給定事先標記過的訓練範例,自動對輸入的資料進行分類或分群。無監督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]。它是監督式學習強化學習等策略之外的一種選擇。

一個常見的無監督學習是数据聚类。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[编辑]

非監督式學習常使用的方法有很多種,包括:

參考文獻[编辑]

  • ^ 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[编辑]

參考文獻[编辑]

  1. ^ 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.