混合自动编码器模型 这是D.Zhang的本文混合自动编码器中描述的模型的实现。 用法 python3 src/main.py --input-train tests/clusters_norm_10_train.mat --training-steps 100 --classifier-topology 64 32 16 --num-clusters 3 --autoencoder-topology 64 32 16 8 --input-dim 8 --input-predict tests/clusters_norm_10_test_1.mat --output results.mat --autoencoders-activation tanh tanh tanh tanh usage: Mixture Autoencoder model [-h] [--input-train IN

U-GAT-IT的官方PyTorch实施：带有自适应层实例规范化的无监督生成注意网络，用于图像到图像的转换U-GAT-IT —官方PyTorch实施：具有自适应的层实例化规范化的无监督生成注意网络，用于图像图像翻译论文| 正式的Tensorflow代码本文的结果来自Tensorflow代码U-GAT-IT：具有自适应层实例规范化的无监督生成注意网络，用于图像到图像的翻译摘要：我们提出了一种新的方法，用于无监督的图像到图像的翻译，其中包含一个新的atte

多元时间序列无监督可缩放学习

ENVI遥感图像监督分类 包含练习数据

针对每个机器学习经典模型详细的逻辑讲解 逐步的公式推导，step by step，让你面试时手推无障碍 完整的笔记资料，包括推导理解、 示意图等等

编写初衷：监督作者本人的生活规律 后续1：会陆续用博文形式更新编写过程方便大家自行改写 后续2：会持续更新和添加功能

我们做深度学习中，到采用的训练方案是全监督的方式，这种全监督的方式，在基本的分类任务当中数据打标签的难度还好，但是在一些更多复杂的深度学习任务中，label的获取就有些困难了。 比如在图像分割领域当中，像素级的标签获取起来费事费力（labelme用起来还挺累的），有没有这么一种算法可以通过分类的标签衍生出像素级的标签，答案是有的。

高维数据聚类 (HDDC) 工具箱包含用于高维数据的高效无监督分类器。 该分类器基于适用于高维数据的高斯模型。 参考：C. Bouveyron、S. Girard 和 C. Schmid，高维数据聚类、计算统计和数据分析，2007 年

混合主成分分析（dPCA） dPCA是一种线性降维技术，可自动发现并突出显示复杂的人口活动的基本特征。 人口活动被分解为几个混合的部分，这些部分捕获了数据中的大多数方差，并突出了人口对各种任务参数（如刺激，决策，奖励等）的动态调整。 D Kobak + ，W Brendel + ，C Constantinidis，CE Feierstein，A Kepecs，ZF Mainen，XL Qi，R Romo，N Uchida，CK Machens 神经人口数据的混合主成分分析eLife 2016， //elifesciences.org/content/5/e10989 （arXiv链接：

使用 MATLAB 对传感器数据进行基于自动编码器的异常检测 该演示重点介绍了如何使用基于自动编码器的半监督机器学习技术来检测传感器数据中的异常（三缸泵的输出压力）。该演示还展示了如何通过自动代码生成将经过训练的自动编码器部署在嵌入式系统上。自动编码器的优点是可以训练它们用代表正常操作的数据检测异常，即您不需要来自故障的数据。 # 自动编码器基础 自编码器基于神经网络，网络由编码器和解码器两部分组成。编码器将 N 维输入（例如一帧传感器数据）压缩为 x 维代码（其中 x < N），其中包含输入中携带的大部分信息，但数据较少。因此，编码器有点类似于主成