In machine learning, the problem of

In machine learning, the problem of unsupervised learning is that of trying to find hidden structure in unlabeled data. Since the examples given to the learner are unlabeled, there is no error or reward signal to evaluate a potential solution. This distinguishes unsupervised learning from supervised learning and reinforcement learning.

Unsupervised learning is closely related to the problem of density estimation in statistics.[1] However unsupervised learning also encompasses many other techniques that seek to summarize and explain key features of the data. Many methods employed in unsupervised learning are based on data mining methods used to preprocess[citation needed] data.

Approaches to unsupervised learning include:

clustering (e.g., k-means, mixture models, hierarchical clustering),[2]
hidden Markov models,
blind signal separation using feature extraction techniques for dimensionality reduction (e.g., principal component analysis, independent component analysis, non-negative matrix factorization, singular value decomposition).[3]
Among neural network models, the self-organizing map (SOM) and adaptive resonance theory (ART) are commonly used unsupervised learning algorithms. The SOM is a topographic organization in which nearby locations in the map represent inputs with similar properties. The ART model allows the number of clusters to vary with problem size and lets the user control the degree of similarity between members of the same clusters by means of a user-defined constant called the vigilance parameter. ART networks are also used for many pattern recognition tasks, such as automatic target recognition and seismic signal processing. The first version of ART was "ART1", developed by Carpenter and Grossberg (1988)

ผลลัพธ์ (ไทย) 1:

ในการเรียนรู้ของเครื่อง ปัญหาเรียนรู้ unsupervised เป็นที่พยายามค้นหาโครงสร้างที่ซ่อนอยู่ในข้อมูลที่ไม่ เนื่องจากตัวอย่างที่ให้ผู้เรียนไม่มี มีไม่มีสัญญาณผิดพลาดหรือผลตอบแทนการประเมินการแก้ปัญหาที่อาจเกิดขึ้น ซึ่งแยกเรียน unsupervised มีเรียนและเรียนเสริมUnsupervised สัมพันธ์ใกล้ชิดกับปัญหาของการประเมินความหนาแน่นในสถิติการเรียนรู้[1] เรียน unsupervised แต่ยังครอบคลุมเทคนิคอื่น ๆ หลายที่สรุป และอธิบายลักษณะของข้อมูล วิธีการในเรียนรู้ unsupervised ขึ้นอยู่กับวิธีการทำเหมืองข้อมูลที่ใช้ในการประมวลผลเบื้องต้นข้อมูล [ต้องการอ้างอิง]วิธีการเรียนรู้ unsupervised รวม:คลัสเตอร์ (k หมายถึง ส่วนผสมรุ่น เช่น คลัสเตอร์ตามลำดับชั้น), [2]ซ่อน Markov รุ่นแยกสัญญาณตาบอดที่ใช้เทคนิคการสกัดคุณลักษณะสำหรับการลด dimensionality (เช่น วิเคราะห์ส่วนประกอบหลัก ส่วนประกอบอิสระวิเคราะห์ แยกตัวประกอบไม่ใช่ลบเมตริกซ์ แยกส่วนประกอบค่าเอกพจน์)[3]แบบจำลองโครงข่ายประสาท แผนที่จัดการตนเอง (ส้ม) และทฤษฎีการสั่นพ้องแบบอะแดปทีฟ (ศิลปะ) หมู่เรียน unsupervised มักใช้อัลกอริทึม ส้มเป็นองค์กร topographic ที่ใกล้เคียงสถานที่ในแผนที่แสดงถึงอินพุต มีคุณสมบัติคล้าย รูปแบบศิลปะให้หมายเลขของคลัสเตอร์จะแตกต่างกับขนาดของปัญหา และช่วยให้ผู้ใช้ควบคุมระดับของความคล้ายคลึงกันระหว่างสมาชิกของคลัสเตอร์เดียวกันโดยผู้ใช้กำหนดค่าคงเรียกว่าพารามิเตอร์ระมัดระวัง นอกจากนี้ยังใช้เครือข่ายศิลปะในหลายรูปแบบรู้งาน การรู้จำเป้าหมายอัตโนมัติและการประมวลผลสัญญาณสั่นสะเทือน รุ่นแรกของศิลปะ "ART1" พัฒนา โดยช่างไม้และ Grossberg (1988)

ผลลัพธ์ (ไทย) 2:

ในการเรียนรู้เครื่องปัญหาของการเรียนรู้ใกล้ชิดคือการพยายามที่จะหาโครงสร้างที่ซ่อนอยู่ในข้อมูลที่ไม่มีป้ายกำกับ ตั้งแต่ตัวอย่างให้กับผู้เรียนที่มีป้ายกำกับ, ไม่มีข้อผิดพลาดหรือสัญญาณรางวัลในการประเมินผลการแก้ปัญหาที่อาจเกิดขึ้น ซึ่งแตกต่างจากการเรียนรู้ใกล้ชิดการเรียนรู้ภายใต้การดูแลและการเรียนรู้เสริม. การเรียนรู้เองผ่านสื่อเป็นเรื่องที่เกี่ยวข้องอย่างใกล้ชิดกับปัญหาของการประมาณค่าความหนาแน่นในสถิติ. [1] การเรียนรู้ใกล้ชิด แต่ยังครอบคลุมเทคนิคอื่น ๆ อีกมากมายที่พยายามที่จะสรุปและอธิบายคุณสมบัติที่สำคัญของข้อมูล . หลายวิธีที่ใช้ในการเรียนรู้ใกล้ชิดจะขึ้นอยู่กับข้อมูลวิธีการทำเหมืองแร่ที่ใช้ในการ [อ้างจำเป็น] preprocess ข้อมูลแนวทางการเรียนรู้ใกล้ชิดรวมถึงการจัดกลุ่ม (เช่น k หมายถึงรูปแบบผสมการจัดกลุ่มตามลำดับชั้น) [2] รูปแบบมาร์คอฟที่ซ่อนอยู่คนตาบอด สัญญาณแยกโดยใช้เทคนิคการสกัดคุณลักษณะการลดมิติ (เช่นการวิเคราะห์องค์ประกอบหลัก, การวิเคราะห์องค์ประกอบอิสระตีนเป็ดเมทริกซ์ที่ไม่ใช่เชิงลบสลายมูลค่าเอกพจน์). [3] ในรูปแบบเครือข่ายประสาท, แผนที่ของตัวเองจัด (SOM) และสะท้อนการปรับตัว ทฤษฎี (ART) เป็นที่นิยมใช้ขั้นตอนวิธีการเรียนรู้ใกล้ชิด SOM เป็นองค์กรภูมิประเทศที่ใกล้เคียงสถานที่ในแผนที่แทนปัจจัยการผลิตที่มีคุณสมบัติใกล้เคียงกัน รุ่น ART ช่วยให้จำนวนของกลุ่มจะแตกต่างกันที่มีขนาดปัญหาและช่วยให้ผู้ใช้ควบคุมระดับของความคล้ายคลึงกันระหว่างสมาชิกของกลุ่มเดียวกันโดยใช้วิธีการอย่างต่อเนื่องที่ผู้ใช้กำหนดเรียกว่าพารามิเตอร์ระมัดระวัง เครือข่าย ART ยังใช้สำหรับการรับรู้รูปแบบงานเป็นจำนวนมากเช่นการรับรู้เป้าหมายโดยอัตโนมัติและการประมวลผลสัญญาณการสั่นสะเทือน รุ่นแรกของ ART คือ "Art1" พัฒนาโดยช่างไม้และ Grossberg (1988)

ผลลัพธ์ (ไทย) 3:

ในการเรียนรู้ของเครื่อง ปัญหาของดาวแคระดำคือพยายามหาที่ซ่อนอยู่ในข้อมูลโครงสร้างใกล้เคียงกัน ตั้งแต่ตัวอย่างให้กับผู้เรียนจะใกล้เคียงกัน ไม่มีข้อผิดพลาด หรือสัญญาณให้รางวัลเพื่อประเมินโซลูชั่นที่มีศักยภาพ นี้แตกต่างจากการเรียนรู้แบบมีผู้สอนดาวแคระดำและการเสริมแรงการเรียนรู้

การเรียนรู้แบบไม่มีผู้สอนจะต้องเกี่ยวข้องกับปัญหาความหนาแน่นของการประมาณทางสถิติ [ 1 ] แต่ unsupervised การเรียนรู้ยังครอบคลุมหลายเทคนิคอื่น ๆที่พยายามสรุปและอธิบายลักษณะสำคัญของข้อมูล หลายวิธีการที่ใช้ในการเรียนรู้แบบไม่มีผู้สอนจะขึ้นอยู่กับวิธีการที่ใช้ข้อมูลเหมืองแร่ preprocess [ อ้างอิงที่จำเป็น ] ข้อมูล .

แนวทางการเรียนรู้แบบไม่มีผู้สอน ได้แก่ :

การจัดกลุ่ม ( เช่น k-means ผสมรูปแบบการจัดกลุ่มลำดับชั้น ) [ 2 ] แบบจำลองฮิดเดนมาร์คอฟ

, แยกสัญญาณบอดโดยใช้เทคนิคการสกัดคุณลักษณะการ dimensionality ( เช่นการวิเคราะห์องค์ประกอบหลักอิสระ , การวิเคราะห์องค์ประกอบ , ไม่ลบเมทริกซ์ สมการกำลังสอง เอกพจน์ ค่าการสลายตัว ) [ 3 ]
ของแบบจำลองโครงข่ายประสาทเทียม ,ที่บนแผนที่ ( SOM ) และทฤษฎีเรโซแนนซ์แบบปรับตัว ( ศิลปะ ) มักใช้อัลกอริทึมการเรียนรู้แบบไม่มีผู้สอน . โสม เป็นลักษณะองค์กรที่ใกล้เคียงสถานที่ในแผนที่แสดงกระผมกับคุณสมบัติที่คล้ายกันรูปแบบศิลปะจะช่วยให้จำนวนของกลุ่มที่แตกต่างกันกับขนาดของปัญหาและช่วยให้ผู้ใช้ควบคุมระดับของความคล้ายคลึงกันระหว่างสมาชิกของกลุ่มเดียวกัน โดยวิธีการของผู้ใช้กำหนดคงที่เรียกว่าแค้นพารามิเตอร์ เครือข่ายศิลปะยังใช้หลายรูปแบบงาน เช่น การรับรู้เป้าหมายโดยอัตโนมัติและการประมวลผลสัญญาณแผ่นดินไหว . รุ่นแรกของศิลปะ " ติดตามทิศทางการเคลื่อนที่ของเส้นโครงร่าง "พัฒนาโดยช่างไม้และ grossberg ( 1988 )