半监督学习很好的入门文献，简单易懂，该文是半监督学习领域的代表之作。

工业园区安全生产监督检查制度.docx

DeepCGH：使用深度学习的3D计算机生成的全息术 DeepCGH是一种用于计算机生成全息图的无监督，非迭代算法。 DeepCGH依靠卷积神经网络实时执行图像平面全息照相。 有关结构和算法的更多详细信息，请参见[1]。 另请参阅我们的版权和许可声明copyright.pdf 。 有关动手教程，您还可以在Google colab和Jupyter Notebook（ tutorial.ipynb ）上看到 。 安装指南和依赖项： 在这里，我们提供DeepCGH的Python和Tensorflow实现。 该软件的当前版本不需要明确安装。 依赖项包括： python 3.x tensorflow-gpu >= 2.0.0 h5py scipy skimage tqdm 如果您具有Python 3.x（最好是3.7），则可以通过在Windows的Ubuntu终端或Anaconda Prom

有关机器 学习的基本介绍，比如机器学习是分为监督学习和无监督学习的，以及监督学习中的一些算法，有分类算法和数值型预测算法，分类算法中几种比较经典的算法

基于matlab下的无监督数据的实现.zip

文献节选翻译。文献原名：Constrained K-means Clustering with Background Knowledge

基于半监督广义学习系统的高光谱图像分类

在Pytorch中进行对比学习变得简单 似乎我们可以进行图像的自我监督学习。 这是一种使用Pytorch包装器的简单方法，可以在任何视觉神经网络上进行对比式自我监督学习。 目前，它包含足够的设置供一个人在SimCLR或CURL中使用的任何一种方案上进行训练。 您可以包装接受可视输入的任何神经网络，无论是Resnet，策略网络还是GAN的鉴别器。 其余的都照顾好了。 问题 事实证明，CURL的结果。 建议您使用SimCLR设置，直到另行通知。 安装 $ pip install contrastive-learner 用法 SimCLR（具有标准化温度标度的交叉熵损失的投影头） import torch from contrastive_learner import ContrastiveLearner from torchvision import models resnet = m

弹性重量合并 通过弹性体重合并，深度强化学习和有监督的设置进行终身学习。 部分结果 链接

为解决高光谱数据维度高、波段之间相关性强、获取大量监督信息费时费力的问题，对高光谱图像的分类进行研究。半监督分类方法是基于传统的机器学习的一种分类方法，它可以利用少量带标签的监督信息和大量无监督信息解决获取大量监督信息问题。将分类精度高、分类时间长的孪生支持向量机分类方法与迭代速度快、收敛速度快的的