AI 新聞

無監督學習K均值聚類和PCA的最佳實踐

關於k均值聚類和主成分分析（PCA）的快速教程。

移動機械人(AGV)是工業機械人的一種。它由計算機控制，具有移動、自動導航、多傳感器控制、網絡交互等功能，在實際生產中最主要的用途是搬運，可以說只要有搬運需求的地方，就有移動機械人的應用可能。

想要快速區分標記的數據時，我們很容易忽略無監督學習。無監督的機器學習本身就非常強大，而聚類是迄今為止這類問題中最常見的方式。

機器學習模型被許多人稱為「黑匣子」。這意味着雖然我們可以從中獲得準確的預測，但我們無法清楚地解釋或識別這些預測背後的邏輯。但是我們如何從模型中提取重要的見解呢？要記住哪些事項以及我們需要實現哪些功能或工具？這些是在提出模型可解釋性問題時會想到的重要問題。

閱讀生成性對抗性網絡（GAN）研究和評估如何開發然後實現您自己的GAN以生成手寫數字

本文是GAN系列的一部分，我們將研究為什麼培訓如此難以捉摸。通過這項研究，我們了解了一些驅動許多研究人員方向的基本問題。我們將研究一些分歧，以便我們知道研究可能會去哪裡。在研究這些問題之前，讓我們快速回顧一下GAN方程。

5年前，GANs開始了深度學習的革命。這場革命產生了一些重大的技術突破。本文將詳細介紹 GAN 的歷史以及不同模型的效果。