深度聚类，用于视觉特征的无监督学习 消息 我们发布了新的自我监督方法SwAV的和。 SwAV使用ResNet-50将自我监督学习与ImageNet上的监督学习仅相距1.2％！ 它结合了在线聚类和多作物数据增强功能。 我们还介绍了DeepCluster-v2，它是DeepCluster的改进版本（ResNet-50，更好的数据增强，余弦学习速率表，MLP投影头，质心的使用，...）。 查看。 深度集群 该代码实现了卷积神经网络或卷积网络的无监督训练，如论文所述。 此外，我们提供了本文中使用的评估协议代码： Pascal VOC分类 激活的线性分类 实例级图像检索 最后，该代码还包括可视化模块，该可视化模块允许以可视方式评估学习到的功能的质量。 要求 Python安装版本2.7 SciPy和scikit-learn软件包 一个PyTorch安装版本0.1.8（ ） CUDA 8.0

1、无监督学习 没有目标值（变量）的算法 常见的无监督学习算法： 降维： – 主成分分析PCA降维处理 聚类： – K-means（k均值聚类） 2、主成分分析 应用PCA实现特征的降维 ·定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量 ·作用：是数据维散压缩，尽可能降低原数据的维数（复杂度），损失少量信息。 ·应用：回归分析或者聚类分析当中 PCA的APA: ·sklearn.decomposition.PCA（n_components=None） – 将数据分解为较低维数空间 n_components： ·小数：表示保留百分之多少的信息 ·整数：减少到多少特

《Hadoop大数据技术原理与应用》课后习题答案

无监督学习-kmeans聚类算法及手动实现jupyter代码.ipynb

机器学习 深度学习 pytorch tensorflow 贝叶斯 神经网络 算法

传统的无监督领域自适应算法在对齐总体分布时存在分类信息流失问题，难以保证迁移学习效果。针对这个问题，提出了一种基于类内最大均值差异的分布对齐策略。该策略首先预测所有样本的伪标签，然后借助伪标签样本信息依次对齐每个类别的领域类内分布。在深度学习框架下，所提算法能够有效保留分类信息，提高了目标领域的预测能力。实验结果表明，与传统算法比较，所提算法在多个基准数据集上获得了最优的迁移学习效果。

k8s 学习指路 未完待续~~

Keras梯形网络的半监督学习 这是Keras中Ladder Network的实现。 阶梯网络是半监督学习的模型。 请参阅A Rasmus，H Valpola，M Honkala，M Berglund和T Raiko题为“进行”的论文。 此实现已在我们的论文《的正式代码中。 该代码可以发现和博客文章，可以发现 仅使用100个带标签的示例，该模型即可在MNIST上实现98％的测试准确性。 该代码仅适用于Tensorflow后端。 要求 Python 2.7 + / 3.6 + Tensorflow（1.4.0） 麻木 keras（2.1.4） 请注意，其他版本的tensorflow / keras也应该起作用。 如何使用 加载数据集 from keras . datasets import mnist import keras import random # get the da

2019-Recursive cascaded networks for unsupervised medical image registration-ICCV文献精读

20页综述，共计171篇参考文献。对于有监督学习方法，本文从三个方面介绍：backbone选择，网络blocks的设计以及损失函数的改进；对于弱监督学习方法，本文从数据增广，迁移学习和交互式分割来介绍。