Uczenie nienadzorowane i redukcja

Wyznaczanie funkcji gęstości prawdopodobieństwa rozkładu, z którego pochodzą obserwowane dane.

Punkt reprezentujący środek grupy, zwykle średnia wektorów należących do tej grupy.

Algorytm dzielący dane na k grup przez iteracyjne minimalizowanie sumy kwadratów odległości punktów od centroidów.

Wyodrębnianie grup jako obszarów o wysokim zagęszczeniu punktów oddzielonych obszarami rzadkimi, odpornego na szum.

Drzewiasta reprezentacja wyniku grupowania hierarchicznego pokazująca kolejność i poziom łączenia grup.

Tworzenie zagnieżdżonej struktury grup przez kolejne łączenie lub dzielenie zbiorów, przedstawianej jako dendrogram.

Podział zbioru obiektów na grupy o wysokim podobieństwie wewnętrznym i niskim między grupami, bez etykiet referencyjnych.

Iteracyjna metoda estymacji parametrów modeli z ukrytymi zmiennymi przez naprzemienne kroki oczekiwania i maksymalizacji.

Probabilistyczny model rozkładu danych jako ważonej sumy wielu rozkładów normalnych, używany do grupowania miękkiego.

Liniowa transformacja danych na ortogonalne kierunki o malejącej wariancji, używana do redukcji wymiarowości.

Rozkład macierzy na iloczyn macierzy ortogonalnych i diagonalnej macierzy wartości osobliwych; podstawa wielu metod redukcji.

Zjawisko gwałtownego wzrostu rzadkości danych i utraty sensu miar odległości wraz ze wzrostem liczby wymiarów.

Sieć neuronowa uczona odtwarzać własne wejście przez ściśniętą reprezentację ukrytą, służąca do uczenia cech i redukcji wymiaru.

Założenie, że dane wysokowymiarowe leżą w pobliżu rozmaitości o znacznie niższym wymiarze wewnętrznym.

Nieliniowa redukcja wymiarowości odtwarzająca niskowymiarową strukturę geometryczną danych z zachowaniem lokalnych odległości.

Przekształcenie danych z przestrzeni wysokowymiarowej do niższego wymiaru z zachowaniem istotnej struktury lub wariancji.

Odwzorowanie obiektów dyskretnych lub wysokowymiarowych w gęsty wektor o niższym wymiarze zachowujący relacje podobieństwa.

Niskowymiarowa przestrzeń reprezentacji, w której model koduje istotne czynniki zmienności danych.

Identyfikacja obserwacji istotnie odbiegających od wzorca większości danych, bez wcześniejszego oznaczenia anomalii.