无监督学习-K-means算法1、什么是无监督学习一家广告平台需要根据相似的人口学特征和购买习惯将美国人口分成不同的小组，以便广告客户可以通过有关联的广告接触到他们的目标客户。Airbnb需要将自己的房屋清单分组成不同的社区，以便用户能更轻松地查阅这些清单。一个数据科学团队需要降低一个大型数据集的维度的数量，以便简化建模和降低文件大小。我们可以怎样最有用地对其进行归纳和分组？我们可以怎样以一种压缩格式有效地表征数据？这都是无监督学习的目标，之所以称之为无监督，是因为这是从无标签的数据开始学习的。2、无监督学习包含算法聚类K-means(K均值聚类)降维PCA3、K-means原理我们先来看一下
1.支持向量机支持向量机（SupportVectorMachine,SVM）最初被用来解决线性问题，加入核函数后能够解决非线性问题。主要优点是能适应小样本数量高维度特征的数据集，甚至是特征维度数高于训练样本数的情况。先介绍几个概念：最优超平面：Hyperplane，SVM通过学习数据空间中的超平面达到二值分类。在预测中，在超平面一侧被认为是一个类型的数据，另一侧被认为是另一种类型数据。超平面在一维空间中是一个点；在二维中是一条线；三维中是一个平面。在更高维度只能描述为“超平面”。普通线性可分问题中，符合分类要求的超平面会有无穷多个。软间隔：SoftMargin，是为了解决因噪声数据导致的过拟合
1.支持向量机支持向量机（SupportVectorMachine,SVM）最初被用来解决线性问题，加入核函数后能够解决非线性问题。主要优点是能适应小样本数量高维度特征的数据集，甚至是特征维度数高于训练样本数的情况。先介绍几个概念：最优超平面：Hyperplane，SVM通过学习数据空间中的超平面达到二值分类。在预测中，在超平面一侧被认为是一个类型的数据，另一侧被认为是另一种类型数据。超平面在一维空间中是一个点；在二维中是一条线；三维中是一个平面。在更高维度只能描述为“超平面”。普通线性可分问题中，符合分类要求的超平面会有无穷多个。软间隔：SoftMargin，是为了解决因噪声数据导致的过拟合
一、简要介绍 视觉信息提取（VIE）近年来受到了越来越多的关注。现有的方法通常首先将光学字符识别（OCR）结果组织成纯文本，然后利用标记级实体注释作为监督来训练序列标记模型。但是，它花费大量的注释成本，可能导致标签混淆，OCR错误也会显著影响最终性能。在本文中，作者提出了一个统一的弱监督学习框架，称为TCPN（标签、复制或预测网络），它引入了1)一种有效的编码器，可以同时对二维OCR结果中的语义和布局信息进行建模；2)仅利用关键信息序列作为监督的弱监督训练策略；和3)一个灵活和可转换的解码器，其中包含两种推理模式：一种（复制或预测模式）是通过复制输入或预测一个标记来输出不同类别的关键信息序列
一、简要介绍 视觉信息提取（VIE）近年来受到了越来越多的关注。现有的方法通常首先将光学字符识别（OCR）结果组织成纯文本，然后利用标记级实体注释作为监督来训练序列标记模型。但是，它花费大量的注释成本，可能导致标签混淆，OCR错误也会显著影响最终性能。在本文中，作者提出了一个统一的弱监督学习框架，称为TCPN（标签、复制或预测网络），它引入了1)一种有效的编码器，可以同时对二维OCR结果中的语义和布局信息进行建模；2)仅利用关键信息序列作为监督的弱监督训练策略；和3)一个灵活和可转换的解码器，其中包含两种推理模式：一种（复制或预测模式）是通过复制输入或预测一个标记来输出不同类别的关键信息序列
识别和生成是人工智能领域中的两大核心任务，如果能将二者合并到一个统一的系统中，这两个任务应该能实现互补。事实上，在自然语言处理中，像BERT[1]这样的模型不仅能够生成高质量的文本，还能够提取文本中的特征。然而，在计算机视觉领域，目前的图像生成模型和识别模型大多是分开进行训练，没有充分利用这两个任务的协同作用。这主要是由于图像生成和图像识别的模型通常具有本质上的结构差异：图像生成的输入是低维度的特征或噪声，而输出是高维度的原始图像；与之相反，图像识别的输入是高维度的原始图像，而输出是低维度的特征。最近，来自MIT和GoogleResearch的研究人员提出了一种基于图像语义符掩码的表征学习方法
识别和生成是人工智能领域中的两大核心任务，如果能将二者合并到一个统一的系统中，这两个任务应该能实现互补。事实上，在自然语言处理中，像BERT[1]这样的模型不仅能够生成高质量的文本，还能够提取文本中的特征。然而，在计算机视觉领域，目前的图像生成模型和识别模型大多是分开进行训练，没有充分利用这两个任务的协同作用。这主要是由于图像生成和图像识别的模型通常具有本质上的结构差异：图像生成的输入是低维度的特征或噪声，而输出是高维度的原始图像；与之相反，图像识别的输入是高维度的原始图像，而输出是低维度的特征。最近，来自MIT和GoogleResearch的研究人员提出了一种基于图像语义符掩码的表征学习方法
