2. Unüberwachtes Lernen

• 2.1. Gaußsche Mischmodelle
  • 2.1.1. Gaußsches Gemisch
  • 2.1.2. Variational Bayesian Gaussian Mixture
• 2.2. Mannigfaltigkeitslernen
  • 2.2.1. Einführung
  • 2.2.2. Isomap
  • 2.2.3. Locally Linear Embedding
  • 2.2.4. Modifiziertes Locally Linear Embedding
  • 2.2.5. Hessian Eigenmapping
  • 2.2.6. Spektrale Einbettung
  • 2.2.7. Local Tangent Space Alignment
  • 2.2.8. Mehrdimensionale Skalierung (MDS)
  • 2.2.9. t-distributed Stochastic Neighbor Embedding (t-SNE)
  • 2.2.10. Tipps für die praktische Anwendung
• 2.3. Clustering
  • 2.3.1. Überblick über Clustering-Methoden
  • 2.3.2. K-Means
  • 2.3.3. Affinity Propagation
  • 2.3.4. Mean Shift
  • 2.3.5. Spektrales Clustering
  • 2.3.6. Hierarchisches Clustering
  • 2.3.7. DBSCAN
  • 2.3.8. HDBSCAN
  • 2.3.9. OPTICS
  • 2.3.10. BIRCH
  • 2.3.11. Bewertung der Clustering-Leistung
• 2.4. Biclustering
  • 2.4.1. Spektrales Co-Clustering
  • 2.4.2. Spektrales Biclustering
  • 2.4.3. Biclustering-Bewertung
• 2.5. Zerlegung von Signalen in Komponenten (Matrixfaktorisierungsprobleme)
  • 2.5.1. Hauptkomponentenanalyse (PCA)
  • 2.5.2. Kernel Principal Component Analysis (kPCA)
  • 2.5.3. Gekürzte Singulärwertzerlegung und Latent Semantic Analysis
  • 2.5.4. Dictionary Learning
  • 2.5.5. Faktorenanalyse
  • 2.5.6. Unabhängige Komponentenanalyse (ICA)
  • 2.5.7. Non-negative Matrix Factorization (NMF oder NNMF)
  • 2.5.8. Latent Dirichlet Allocation (LDA)
• 2.6. Kovarianzschätzung
  • 2.6.1. Empirische Kovarianz
  • 2.6.2. Geschrumpfte Kovarianz
  • 2.6.3. Sparse inverse Kovarianz
  • 2.6.4. Robuste Kovarianzschätzung
• 2.7. Neuheits- und Ausreißererkennung
  • 2.7.1. Überblick über Methoden zur Ausreißererkennung
  • 2.7.2. Novelty Detection
  • 2.7.3. Outlier Detection
  • 2.7.4. Novelty Detection mit Local Outlier Factor
• 2.8. Dichteschätzung
  • 2.8.1. Dichteschätzung: Histogramme
  • 2.8.2. Kernel-Dichteschätzung
• 2.9. Neuronale Netzwerkmodelle (unüberwacht)
  • 2.9.1. Restricted Boltzmann Machines