Обучение без учителя: углубленный разбор кластеризации, снижения размерности и автокодировщиков

Введение в машинное обучение без учителя. В этой презентации я рассматриваю различные способы представления данных для обучения без учителя, а затем перехожу к кластеризации, снижению размерности (включая t-SNE и UMAP) и различным типам автокодировщиков. Наконец, я обсуждаю трудности оценки результатов обучения без учителя и сходства между, казалось бы, различными методами обучения без учителя. Если вы еще не знакомы с основами машинного обучения, я рекомендую сначала посмотреть мое краткое введение в основные понятия:    • Machine learning: A short introduction to ...   0:00 Введение: определение неконтролируемого обучения и обзор презентации 0:38 Входные данные: многомерные данные, матрица расстояний, матрица сходства и сетевые представления 1:21 Кластеризация: иерархическая кластеризация, кластеризация с разделением, кластеризация методом k-средних и MCL 2:15 Снижение размерности: латентное представление, анализ главных компонентов (PCA), t-SNE, UMAP, многомерное масштабирование (MDS), сетевые схемы с принудительным управлением и их сходство 3:17 Автокодировщики: прогнозирование входных данных на основе входных данных, нейронные сети с узким местом, линейные автокодировщики, шумоподавляющие автокодировщики и вариационные автокодировщики 4:54 Оценка: отсутствие эталонных данных, согласованность меток, внутрикластерная связность, межкластерная разделение, процент захваченной дисперсии, независимые тестовые наборы для автокодировщиков и последующее сравнение производительности 6:38 Общая картина: иерархическая кластеризация против кластеризации по разделам, линейные автокодировщики против PCA, визуализация кластеров t-SNE/UMAP и структура сети против уменьшения размерности