前面用四篇文章介绍了机器学习中监督学习的几个经典算法。这篇文章将机器学习中的另一个大类无监督学习。
无监督学习实际上就是对没有标记的数据进行学习，从而能够找到一个函数，来描述数据的位置分布。也就是让机器自己“标记”数据。
密度估计（Density Estimation）
就是找到数据在任意位置的分布密度函数。而聚类(Clustering)和降维(Dimension Reduction)都是密度估计的两种方法。
像K-聚类(K-Means)和线性降维(Linear dimensionality reduction )就分别是上述两类算法其中之一。
盲信号分离（Blind Signal Seperation）
维基百科的解释是：盲信号分离指的是从多个观测到的混合信号中分析出没有观测的原始信号。通常观测到的混合信号来自多个传感器的输出，并且传感器的输出信号独立性（线性不相关）。盲信号的“盲”字强调了两点：1)原始信号并不知道；2)对于信号混合的方法也不知道。
举个例子就很好理解，比如一段录音中有多个人同时说话，盲信号分离就是能够将几个人的声音自动分离出来。
这就是无监督学习中的几个术语，下一篇文章我将要介绍无监督学习中的几个经典算法。
相关文章
AI学习笔记——最近邻居法(K nearest Neighbours (KNN))
AI学习笔记——支撑向量（Support Vector Machines）
AI学习笔记——线性回归（Linear Regression）
AI 学习笔记之——监督学习一朴素贝叶斯（Supervised Learning）
Thanks for reading my posts and welcome to comment. If you like my post , please upvote , resteem and follow me @hongtao
感谢您的阅读，欢迎留言，如果您喜欢我的帖子，请帮忙点赞、推送及关注我 @hongtao