機器學習-無監督學習

1 無監督學習

有標籤的是監督學習，無標籤的是非監督，固然還有中半監督

無監督學習算法可能會把這些數據分紅兩個不一樣的簇。因此叫作聚類算法

無監督學習會自動將數據分類

給它一堆水果 它能夠分類出哪些是香蕉哪些是蘋果榴蓮 自動分類

 

2 應用

其中就有基因學的理解應用。一個DNA微觀數據的例子。基本思想是輸入一組不一樣個體，對其中的每一個個體，你要分析出它們是否有一個特定的基因。技術上，你要分析多少特定基因已經表達。因此這些顏色，紅，綠，灰等等顏色，這些顏色展現了相應的程度，即不一樣的個體是否有着一個特定的基因。你能作的就是運行一個聚類算法，把個體聚類到不一樣的類或不一樣類型的組（人）……

因此這個就是無監督學習，由於咱們沒有提早告知算法一些信息，好比，這是第一類的人，那些是第二類的人，還有第三類，等等。咱們只是說，是的，這是有一堆數據。我不知道數據裏面有什麼。我不知道誰是什麼類型。我甚至不知道人們有哪些不一樣的類型，這些類型又是什麼。但你能自動地找到數據中的結構嗎？就是說你要自動地聚類那些個體到各個類，我無法提早知道哪些是哪些。由於咱們沒有給算法正確答案來回應數據集中的數據，因此這就是無監督學習

 

無監督學習或彙集有着大量的應用。它用於組織大型計算機集羣。我有些朋友在大數據中心工做，那裏有大型的計算機集羣，他們想解決什麼樣的機器易於協同地工做，若是你可以讓那些機器協同工做，你就能讓你的數據中心工做得更高效。第二種應用就是社交網絡的分析。因此已知你朋友的信息，好比你常常發email的，或是你Facebook的朋友、谷歌+圈子的朋友，咱們可否自動地給出朋友的分組呢？即每組裏的人們彼此都熟識，認識組裏的全部人？還有市場分割。許多公司有大型的數據庫，存儲消費者信息。因此，你能檢索這些顧客數據集，自動地發現市場分類，並自動地把顧客劃分到不一樣的細分市場中，你才能自動並更有效地銷售或不一樣的細分市場一塊兒進行銷售。這也是無監督學習，由於咱們擁有全部的顧客數據，但咱們沒有提早知道是什麼的細分市場，以及分別有哪些咱們數據集中的顧客。咱們不知道誰是在一號細分市場，誰在二號市場，等等。那咱們就必須讓算法從數據中發現這一切。最後，無監督學習也可用於天文數據分析，這些聚類算法給出了使人驚訝、有趣、有用的理論，解釋了星系是如何誕生的。這些都是聚類的例子，聚類只是無監督學習中的一種

 

我如今告訴大家另外一種。我先來介紹雞尾酒宴問題。嗯，你參加過雞尾酒宴吧？你能夠想像下，有個宴會房間裏盡是人，所有坐着，都在聊天，這麼多人同時在聊天，聲音彼此重疊，由於每一個人都在說話，同一時間都在說話，你幾乎聽不到你面前那人的聲音。因此，可能在一個這樣的雞尾酒宴中的兩我的，他倆同時都在說話，假設如今是在個有些小的雞尾酒宴中。咱們放兩個麥克風在房間中，由於這些麥克風在兩個地方，離說話人的距離不一樣每一個麥克風記錄下不一樣的聲音，雖然是一樣的兩個說話人。聽起來像是兩份錄音被疊加到一塊兒，或是被歸結到一塊兒，產生了咱們如今的這些錄音。另外，這個算法還會區分出兩個音頻資源，這兩個能夠合成或合併成以前的錄音，實際上，雞尾酒算法的第一個輸出結果是：

1，2，3，4，5，6，7，8，9，10,

因此，已經把英語的聲音從錄音中分離出來了。

第二個輸出是這樣：

1，2，3，4，5，6，7，8，9，10。

 

看看這個無監督學習算法，實現這個得要多麼的複雜，是吧？它彷佛是這樣，爲了構建這個應用，完成這個音頻處理彷佛須要你去寫大量的代碼或連接到一堆的合成器JAVA庫，處理音頻的庫，看上去絕對是個複雜的程序，去完成這個從音頻中分離出音頻。事實上，這個算法對應你剛纔知道的那個問題的算法能夠就用一行代碼來完成。

[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x');