基於關係推理的自監督學習無標記訓練
作者|Chien Vu
編譯|Flin
來源|towardsdatascience
背景與挑戰
相關推薦
基於關係推理的自監督學習無標記訓練
作者|Chien Vu 編譯|Flin 來源|towardsdatascience 背景與挑戰
元學習、遷移學習、對比學習、自監督學習與少樣本學習的關係解讀
文章目錄 前言一、對比自監督學習與FSL1.對比學習與自監督學習2.自監督學習與FSL
監督學習 無監督學習 半監督學習 自監督學習
機器學習中有幾個帶有“監督”二字的名詞，易混淆，寫篇部落格解釋一下下~
NeurIPS 2020 | 資料類別不平衡/長尾分佈？不妨利用半監督或自監督學習
作者：Yuzhe Yang 連結：https://zhuanlan.zhihu.com/p/259710601 本文轉載自知乎，作者已授權，未經許可請勿二次轉載
Self2Self With Dropout: Learning Self-Supervised Denoising From Single Image【使用單張影象進行自監督學習去噪】
文章目錄 Self2Self With Dropout: Learning Self-Supervised Denoising From Single Image【使用單張影象進行自監督學習去噪】一、相關概念1.1 監督學習（Supervised learning）1.2 無監督學習（Unsuper
華為釋出業內最大 2D 自動駕駛資料集：10 倍於 Waymo，主打半/自監督學習
人類司機開車，陌生的路開多了自然就會熟練。 自動駕駛開車，需要大量的學習和訓練。
自監督學習的知識點總結
本篇文章將對自監督學習的要點進行總結，包括以下幾個方面： 監督學習與自監督學習
基於C++程式碼的UE4學習（七）—— 自定義事件及觸發Custom Event
今天講解的是自定義事件的觸發（Custom Event）。 在藍圖中是這個： 我們現在用程式碼來完成自定義事件的觸發。這次我們並不使用GameModeBase類作為中介，而是就使用Trigger類充當中介，我們將其巨集可以定義為E
自訓練和半監督學習介紹
作者|Doug Steen 編譯|VK 來源|Towards Data Science 當涉及到機器學習分類任務時，用於訓練演算法的資料越多越好。在監督學習中，這些資料必須根據目標類進行標記，否則，這些演算法將無法學習獨立變數和目標變數之
無監督學習 MoCo: Momentum Contrast for Unsupervised Visual Representation Learning
用於視覺表示學習的動量對比。 作者：Kaiming He 以及FAIR的一眾大佬 Summary 這篇文章主要解決的是無監督視覺表示學習問題。作者從將對比學習看做字典查詢（dictionary look-up）出發，使用佇列（queue）和
邱錫鵬 神經網路與深度學習課程【十三】——無監督學習和概率圖模型1
無監督學習 定義：只從無標籤的資料中學習出一些有用的模式 典型的無監督學習：深度學習中只考慮前兩個問題即可
無監督學習-K-means演算法
1、 什麼是無監督學習 一家廣告平臺需要根據相似的人口學特徵和購買習慣將美國人口分成不同的小組，以便廣告客戶可以通過有關聯的廣告接觸到他們的目標客戶。
Tensorflow2.0 無監督學習AVE
技術標籤：TensorFlow Auto Encoder的升級版 import numpy as np import tensorflow as tf from PIL import Image
07無監督學習-降維PCA
PCA方法及其應用 主成分分析(PCA) 主成分分析(Principal Component Analysis, PCA）是最常用的一種降維方法，通常用於高維資料集的探索與視覺化，還可以用作資料壓縮和預處理等。
08無監督學習-降維NMF
NMF方法及例項 非負矩陣分解（NMF） 非負矩陣分解(Non-negative Matrix Factorization，NMF)是在矩陣中所有元素均為非負數約束條件之下的矩陣分解方法。
半監督學習（基於生成模型）
1.基於損失函式和模型設計的主要深度半監督學習方法分類 2.Semi-supervised GANs [1] L. Schoneveld, “Semi-supervised learning with generative adversarial networks,” in Doctoral dissertation, Ph.D. Di
監督學習，無監督學習常用演算法集合總結，引用scikit-learn庫（監督篇）
why寫這篇blog 最近在接觸這方面的知識，但是找了許多的筆記，都感覺沒有很好的總結出來，也正好當做是邊學習，邊複習著走。大佬輕噴。參考書目《python機器學習基礎教程》
【機器學習基礎】無監督學習（2）——降維之LLE和TSNE
在上一節介紹了一種最常見的降維方法PCA，本節介紹另一種降維方法LLE，本來打算對於其他降維演算法一併進行一個簡介，不過既然看到這裡了，就對這些演算法做一個相對詳細的學習吧。
對比學習（Contrastive Learning）綜述——無監督學習+特徵抽象，損失函式：同類儘可能近，不同類儘可能遠，思想和聚類類似
寫在前面 由於最近開始在看對比學習的一些相關工作，想把學到的東西記錄一下。本文前半部分基於Ankesh Anand關於Contrastive Learning的blog中的內容，想看原文的可以移步下面連結：
無監督學習 Kmeans
無監督學習 自動對輸入資料進行分類或者分群 優點： 演算法不受監督資訊（偏見）的約束，可能考慮到新的資訊