自我监督的拼图游戏 TensorFlow和Keras中“解决拼图难题的无监督学习视觉表示”的论文实施

快速搜索和寻找密度峰值的聚类(clustering by fast search and find of density peaks)，简称密度峰值聚类(density peaks clustering，DPC)算法，该算法的优点为：不需要事先指定类簇数；能够发现非球形类簇；只有一个参数需要预先取值。

无监督异常检测论文集，可用于未来智能工厂预测性分析。

国际表示学习大会（The International Conference on Learning Representations）是致力于人工智能领域发展的国际知名学术会议之一。为了分析最新研究动向，本文精选了涵盖自监督学习、Transformer、图神经网络、自然语言处理、模型压缩等热点领域，将分多期为大家带来系列论文解读。

自己写的一个很有用的Kmeans演示Demo，使用MATLAB写的，有各种酷炫功能，值得大家下载来玩一玩。

题目：Iris 数据集中有三类（Setosa、Versicolor、Virginica），任选两类实现逻辑回归 模型 分别将数据集的50% 作为训练集，50% 作为测试集；将数据集的70% 作为训练集，30% 作为测试集；将数据集的90% 作为训练集，10% 作为测试集，并检验模型在测试集上的分类正确率 最后实现了PCA对鸢尾花数据集的降维分析 除了PCA降维分析部分，全部代码手写实现，没有调用scikit-learn库

题目：Iris 数据集中有三类（Setosa、Versicolor、Virginica），任选两类实现逻辑回归 模型 分别将数据集的50% 作为训练集，50% 作为测试集；将数据集的70% 作为训练集，30% 作为测试集；将数据集的90% 作为训练集，10% 作为测试集，并检验模型在测试集上的分类正确率 最后实现了PCA对鸢尾花数据集的降维分析 除了PCA降维分析部分，全部代码手写实现，没有调用scikit-learn库

神经网络有监督学习 异或函数 反向传播的工作原理 RecognizeIt——鼠标手势的识别 一些有用的技术和技巧 监督学习的应用

Python实现 目的 使用差距统计量动态识别数据集中建议的聚类数量。 在笔记本上使用完整的例子 安装： 出血边缘： pip install git+git://github.com/milesgranger/gap_statistic.git PyPi： pip install --upgrade gap-stat 使用Rust扩展名： pip install --upgrade gap-stat[rust] 卸载： pip uninstall gap-stat 方法： 该程序包提供了几种方法，可根据 （Tibshirani等人）中介绍的Gap方法，协助选择给定数据集的最佳簇。 所实现的方法可以使用一系列提供的k个值对给定的数据集进行聚类，并为您提供统计信息，以帮助您为数据集选择正确的聚类数。 三种可能的方法是： 取k最大化针对每个k计算的Gap值。 但是，这并非总是可能的，因为对于许多数据集，此值是单调增加或减少的。 取最小的k ，使得Gap（k）> = Gap（k + 1）-s（k + 1）。 这是Tibshirani等人建议的方法。 （有关详细信息，请咨询本文

这个实现的目标数据集是MNIST，通过VAE生成，可以给初学者一个直观的有趣的尝试