李宏毅老师课程：Unsupervised Learning:Neighbor Embedding

最新推荐文章于 2021-08-15 01:36:26 发布
原创 最新推荐文章于 2021-08-15 01:36:26 发布 · 409 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

探讨了流形学习在高维数据降维中的应用，包括局部线性嵌入（LLE）、拉普拉斯特征图和t-SNE等算法。重点讲解了t-SNE如何放大不同类别数据间的距离，实现更好的数据可视化。

无监督学习：邻居嵌入

Manifold Learning（流形学习）

在高维空间里，距离该点很远的点很可能与这个点也是有关联的，因此我们可以把3-D的空间进行降维，那么我们就可以更方便地进行clustering或unsupervised learning 任务
在这里插入图片描述

Locally Linear Embedding (LLE)（局部线性嵌入）

在这里插入图片描述
在这里插入图片描述

Laplacian Eigenmaps（拉普拉斯特征图）

Review：在之前的semi-supervised learning中，如果两个点 x 1 x^1 x1和 x 2 x^2 x2在高密度区域上是相近的，那它们的label y 1 y^1

最低0.47元/天 解锁文章
【33】t-SNE原理介绍与对手写数字MNIST的可视化结果
Clichong
05-06 5007
如有错误，恳请指出。 这篇博客将会介绍一个无监督的降维算法——t-SNE，其是一个常用的降维可视化工具，下面会记录一下李宏毅老师对其的原理介绍，然后我做了一个实验，用其来对手写数字（MNIST数据集）进行降维的一个效果展示。 文章目录1. t-SNE原理介绍1.1 manifold介绍1.2 LLE1.3 t-SNE2. t-SNE可视化效果2.1 2D可视化效果2.2 3D可视化效果3. t-SNE降维后对MNIST数据集进行分类 1. t-SNE原理介绍 t-SNE全称是t-distributed.
A Bottom-up Clustering Approach to Unsupervised Person Re-identification （AAAI2019）
han jan的博客
03-26 4128
一、介绍 这篇文章解决的是无任何标签的无监督行人再识别问题，作者提出了一种自底向上聚类方法（bottom-up clustering BUC）来联合优化CNN和无标签样本间的关系。作者的方法考虑到了行人再识别任务的两个基本的事实：不同人间的diversity和同一个人间的similarity。作者的算法最开始把每个人作为单独的一类，来最大化每类的diversity，然后逐渐的把相似的类合并为同一...
19.Unsupervised Learning-Neighbor Embedding
xjtuse123的博客
05-27 359
之前在PCA中介绍了线性降维的方法，今天讲述neighbor embedding，即非线性降维的方法。降维凭借的是data point 和data point之间的关系，在降维前的空间中每一个点和它的邻居之间的关系来做降维，也叫做manifold learning。 Manifold Learning 我们要做的是非线性的降维，data是分布在低维空间里面，只是被扭...
机器学习 李宏毅 L26-Neighbor Embedding
okgagaga的博客
02-01 1287
非线性降维方法，根据一个点与其临近点关系进行降维操作，neighbor embedding，又称之为manifold learning，流形学习。 LLE（locally linear embedding） 对于输入xi" role="presentation">xixix_i，与其临近点xj" role="presentation">xjxjx_j存在一种关系wij" role="pre
2020李宏毅机器学习笔记——20. Unsupervised Learning —Neighbor Embedding(无监督学习之近邻嵌入)
weixin_44790306的博客
08-15 654
摘要： 本章之前介绍过的PCA算法和Word Embedding（词嵌入）都是线性降维的思想，而Neighbor Embedding要介绍的是非线性的降维。主要讲解了将高维空间中的数据，降低到低维度的三种方法（非线性降维算法）： Locally Linear Embedding（局部线性嵌入）(LLE)： Laplacian Eigenmaps(拉普拉斯特征映射)： T-distributed Stochastic Neighbor Embedding（T-分布随机近邻嵌入）(T-SNE)： 文章目录1
《A Review of Unsupervised Feature Learning and Deep Learning for Time-Series Modeling》笔记
weixin_40818267的博客
10-09 1014
A Review of Unsupervised Feature Learning and Deep Learning for Time-Series Modeling Abstract ​ 这篇文章所做的： 1.概述时序数据处理中的挑战 2. time-series data 和 unsupervised feature learning 1. Introduction and Backgrou...
李宏毅学习笔记24.Unsupervised Learning.02: Neighbor Embedding
老毛的博客
07-07 551
非监督学习分为两大类：Clustering & Dimension Reduction 和Generation，上节讲的是线性的降维PCA，这节主要是讲非线性降维：TSNE，先从NE讲起。
2021李宏毅机器学习笔记--18Unsupervised Learning -- Neighbor Embedding
guoxinxin0605的博客
08-07 729
2021李宏毅机器学习笔记--18 Unsupervised Learning -- Neighbor Embedding 摘要一、Manifold Learning(流形学习)二、Locally Linear Embedding(LLE,局部线性嵌入)三、Laplacian Eigenmaps(拉普拉斯特征映射)3.1 简介二级目录二级目录四、总结二级目录三级目录 摘要 wijw_{ij}wij​ wiw^iwi 本节是进行非线性降维的一些算法。包括局部线性嵌入LLE、拉普拉斯特征映射和t分布随
15、【李宏毅机器学习（2017）】Unsupervised Learning: Neighbor Embedding（无监督学习：邻域嵌套）
Jimmyzqb的博客
08-29 4170
上一篇博客介绍了无监督学习在文字中的降维方法——Word Embedding，本篇博客将继续介绍无监督学习算法的降维方法——Neighbor Embedding。 目录 Locally Linear Embedding (LLE) Laplacian Eigenmaps T-distributed Stochastic Neighbor Embedding (t-SNE) t-SNE算...
李宏毅-DeepLearning-2017-Unsupervised Learning:Neighbor Embedding
zjguilai的博客
05-21 973
数据降维的方法： Manifold Learning(流行学习) 1、什么是流形 流形学习的观点：认为我们所能观察到的数据实际上是由一个低维流行映射到高维空间的。由于数据内部特征的限制，一些高维中的数据会产生维度上的冗余，实际上这些数据只要比较低的维度就能唯一的表示。所以直观上来讲，一个流形好比是一个d维的空间，在一个m维的空间中（m>d）被扭曲之后的结果。需要注意的是流形并不是一个形状，而...
【李宏毅2020 ML/DL】P58 Unsupervised Learning - Neighbor Embedding | LLE, t-SNE
记录学习痕迹的公众号：Piper蛋窝
08-04 885
一些降维可视化技术，重点落在最后的 t-SNE 。
降维（二）LLE+t-SNE+auto-encoder(李宏毅机器学习）
BRAVE_NO1的专栏
11-18 1037
LLE:Locally Linear Embedding 首先引入一下这个想法： 在图中可以看出，在原来的数据中，1与2是距离比较近的，因为你要到达3需要经过2，而降维后我们会导致表示结果中（1和3）比（1和2）近，因此我们需要解决这个问题：采取记录原始”权重“的办法。 step1:学习原始数据中xi,xjx_i,x_jxi​,xj​之间的关系。 然后保持权重wijw_ijwi​j不变，来评...
[机器学习入门] 李弘毅机器学习笔记-16 （Unsupervised Learning: Neighbor Embedding；无监督学习：邻域嵌套）
Holeung blog
06-18 1930
[机器学习入门] 李弘毅机器学习笔记-16 （Unsupervised Learning: Neighbor Embedding；无监督学习：邻域嵌套） PDF VIDEOManifold Learning 我们要做的是非线性的降维，data是分布在低维空间里面，只是被扭曲到了高维空间。 比如地球的表面是一个二维平面，但是被塞到一个三维空间中。 Manifold就是把S型摊平
绝对牛逼的t-SNE介绍
热门推荐
super
06-07 3万+
从SNE到t-SNE再到LargeVis，转自http://bindog.github.io/blog/2016/06/04/from-sne-to-tsne-to-largevis
李宏毅机器学习25—Unsupervised learning Neighbor Embedding
weixin_57178683的博客
06-13 436
Unsupervised learning:neighbor embedding 上节讲的是线性降维:PCA，这节主要是讲非线性降维 这节课主要学习了将高维空间中的数据，降低到低维度的几种方法： 1.Locally linear embedding（局部线性嵌入)：利用降维前后坐标关系不变，求解出降维之后的点。 2.laplacian eigenmaps (拉普拉斯特征映射)：希望相互间有关系的点在降维后的空间中尽可能的靠近。Laplacian Eigenmaps可以反映出数据内在的流形结构。 .
t-SNE降维原理及python实现代码
qq_27802435的博客
10-09 1万+
t-SNE（Stochastic Neighbor Embedding  t分布随机邻域嵌入）   PCA的局限性 PCA是一种线性算法，它不能解释特征之间的复杂多项式关系。而t-SNE是基于在邻域图上随机游走的概率分布来找到数据内的结构。 线性降维算法的一个主要问题是不相似的数据点放置在较低维度表示为相距甚远。但为了在低维度用非线性流形表示高维数据，相似数据点必须表示为非常靠近，这不是线...
无监督学习Unsupervised learning
wulimmya的博客
04-14 1098
文章目录机器学习三大分支：有监督学习，无监督学习，强化学习无监督学习对输入的无标签数据的先验概率密度进行建模有监督学习试图推断出条件概率密度PX(x∣y)P_X(x|y)PX​(x∣y)无监督学习试图推断输入数据的先验概率分布PX(x)P_X(x)PX​(x)无监督学习的两种主要方法：PCA和聚类PCA（主成分分析）自编码器：以无监督方式学习数据编码的神经网络，被称为非线性PCA聚类分析无监督学习...
李宏毅机器学习2016 第十三讲 无监督学习之非线性降维：流型学习（Mainfold Learning）
Come_for_IT 的博客
01-18 2688
视频链接：李宏毅机器学习(2016)_演讲•公开课_科技_bilibili_哔哩哔哩课程资源：Hung-yi Lee课程相关PPT已经打包命名好了：链接：https://pan.baidu.com/s/1c3Jyh6S 密码：77u5我的第十二讲笔记：李宏毅机器学习2016 第十二讲 无监督学习：线性维数约减Unsupervised Learning：Neighbor Embedding1.流型学
近邻嵌入理论t-sne_T分布随机邻居嵌入（t-SNE）
weixin_26752765的博客
09-05 2187
近邻嵌入理论t-sneIn this article, you will learn: 在本文中，您将学习: Difference between t-SNE and PCA(Principal Component Analysis) t-SNE与PCA的区别(主成分分析) Simple to understand explanation of how t-SNE works 简单易懂的t-SN...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值