在监督模式下训练的深度模型在各种任务上都取得了显著的成功。
在标记样本有限的情况下，自监督学习(self-supervisedlearning,SSL)成为利用大量未标记样本的新范式。

无监督学习是机器学习的一个重要分支，其在机器学习、数据挖掘、生物医学大数据分析、数据科学等领域有着重要地位。
本书阐述作者近年在无监督学习领域所取得的主要研究成果，包括次胜者受罚竞争学习算法、K-means学习算法、K-medoids学习算法、密度学习算法、谱图聚类算法；
*后介绍了无监督学习在基因选择、疾病诊断中的应用。

Matlab关于人工神经网络在预测中的应用的论文二-人工神经网络模型在研究生招生数量预测中的应用.pdf四、灰色人工神经网络人口总量预测模型及应用摘要：针对单一指标进行人口总量预测精度不高的问题，基于灰色系统理论和人工神经网络理论，用1990年至2004年中国人口总量序列建立并训练一个多指标的灰色人工神经网络人口总量预测模型。
对2005年至2007年的人口总量进行检验性预测，结果表明灰色人工神经网络模型大大提高了预测精度。
关键词：人口总量；
灰色系统；
BP人工神经网络；
灰色人工神经网络模型引言：本文从影响人口增长的诸多因素中筛选出6个主要因素，结合灰色系统思想与神经网络的优点建立了一个灰色人工神经网络（GreyArtificialNeuralNetwork，GANN）预测模型，对每一个指标分别用GM（1，1）模型选择最佳的维数进行预测，再利用神经网络非线性映射的特性把这6个指标进行非线性组合得到人口总量的预测结果。
该模型充分利用灰色系统弱化数据的随机性及其动态性和神经网络非线性映射的特性，发挥两者的优势，从而进一步提高预测精度。
中间内容省略~结语：由于传统遗传算法聚类算法本身的优点：在解决聚类问题上速度快、准确率高，加上免疫网络分类算法可以进行非监督学习，确定聚类数及聚类点，在实际聚类应用中有更广阔的适用性；
在这种独特的聚类算法的基础上，结合粗糙集理论构建了一种图像分割算法；
同时，通过实验证明该方法不但比传统的FCM算法聚类速度快，分割效果好，而且比文献[2]的分割准确度还要高。
由于该方法有在聚类上的无教师监督的独特优点，并且通过对人脑MR图聚类和分割的两个实验，证明了该分割算法比以往分割算法在具体应用上都有一定的提高。
灰色人工神经网络人口总量预测模型及应用.pdf五、人工神经网络模型在研究生招生数量预测中的应用摘要：研究生招生数量的确定涉国家政策、社会就业、人才需求、专业分布与需求等诸多因素，这些影响因素往往无法量化，而且各个影响因素之间关系错综复杂，简单的线性模型预测未来招生数量往往难以实现。
尝试采用人工神经网络模型，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，通过对黑龙江省历年研究生招生数量进行系统分析，建立了人工神经网络预测模型，并对未来3年的招生数量进行了预测，预测结果较好，为该方面研究提供了新的研究思路与研究方法。
关键词:黑龙江省;研究生招生;预测;人工神经网络模型引言：关于研究生招生数量的确定，涉及诸多因素，例如国家政策、社会就业、人才需求、专业分布与需求等等。
这些影响因素往往无法量化，很难找出定量化的因素来进行分析，而这些因素又确确实实在很大程度上影响着研究生招生的数量及其分布。
以往分析预测方法主要是确定性数学模型和随机统计方法，例如有限单元法、有限差分法、灰色理论建模、回归分析、谐波分析、时间序列分析、概率统计法等。
这些方法多以线性理论为基础，考虑问题偏于简单化，导致预测精度不高。
本论文结合黑龙江省1981年—2004年的研究生招生规模，针对历年招生数量原始数据信息零散、隐含影响因素过多、诸多影响因素难以确定性描述等问题，探讨应用一种改进的BP网络模型对未来3年黑龙江省研究生招生规模进行预测，为该方面研究提供新的研究思路与研究模式，并渴望为用人单位、科研院校提供制定长远发展与建设规划提供参考。
中间内容省略~结语：采用人工神经网络模型可以有效的处理黑龙江省研究生数量中涉及的人为、政策等随机因素、难以量化等因素的干扰，拟合精度非常高，预测精度也相对较高，为未来研究生招生规模提供科学理论依据，为该方面研究提供新的研究方法与研究思路。
人工神经网络模型在研究生招生数量预测中的应用.pdf六、基于RBF人工神经网络模型预测棉花耗水量摘要：利用MATLAB工具箱，以平均气温、日照时数、平均风速为输入变量，建立了新疆石河子地区棉花耗水量的RBF人工神经网络预测系统，通过2008年实测数据的检验表明，此预测系统网络模型的绝对误差最大为0.0967mm/d、最小为0.0025mm/d、平均为0.0419mm/d，相对误差最大为2.6491%、最小为0.0341%、平均为0.8780%。
可见，网络模型预测的准确度较高，较以往的线性模型更合理，并且此网络训练花费的时间仅需0.0780s，具有一定的实用价值。
关键词：预测；
人工神经网络；
径向基函数；
棉花耗水量引言：计算机人工神经网络是20世纪8

内容只有几页但是关于半监督学习和CO-training算法做了比较简单易懂的解释

许多行业专家认为，无人监督学习人工智能的下一个前沿，这可能是人工智能研究的关键，即所谓的一般人工智能。
由于世界上大多数数据都没有标记，因此无法应用传统的监督学习;这就是无监督学习的用武之地。
无监督学习可以应用于未标记的数据集，以发现埋藏在数据深处的有意义的模式，人类几乎不可能发现这些模式。
作者AnkurPatel使用两个简单的，生产就绪的Python框架-scikit-learn和使用Keras的TensorFlow，提供了有关如何应用无监督学习的实用知识。
通过提供实际操作示例和代码，您将识别难以发现的数据模式，获得更深入的业务洞察力，检测异常，执行自动特征工程和选择，以及生成合成数据集。
您只需要编程和一些机器学习经验即可开始使用。

AutoEncoder是深度学习的另外一个重要内容，并且非常有意思，神经网络通过大量数据集，进行end-to-end的训练，不断提高其精确率，而AutoEncoder通过设计encode和decode过程使输入和输出越来越接近，是一种无监督学习过程。

《模式识别（第四版）》是2010年电子工业出版社出版的图书，作者是西奥多里蒂斯。
本书由模式识别领域的两位顶级专家合著，全面阐述了模式识别的基础理论、最新方法、以及各种应用。
作　者：(希)SergiosTheodoridis/(希)KonstantinosKoutroumbas，李晶皎等译第1章导论1.1模式识别的重要性1.2特征、特征向量和分类器1.3有监督、无监督和半监督学习1.4MATLAB程序1.5本书的内容安排第2章基于贝叶斯决策理论的分类器2.1引言2.2贝叶斯决策理论2.3判别函数和决策面2.4正态分布的贝叶斯分类2.5未知概率密度函数的估计2.6最近邻规则2.7贝叶斯网络习题MATLAB编程和练习参考文献第3章线性分类器3.1引言3.2线性判别函数和决策超平面3.3感知器算法3.4最小二乘法3.5均方估计的回顾3.6逻辑识别3.7支持向量机习题MATLAB编程和练习参考文献第4章非线性分类器4.1引言4.2异或问题4.3两层感知器4.4三层感知器4.5基于训练集准确分类的算法4.6反向传播算法4.7反向传播算法的改进4.8代价函数选择4.9神经网络大小的选择4.10仿真实例4.11具有权值共享的网络4.12线性分类器的推广4.13线性二分法中1维空间的容量4.14多项式分类器4.15径向基函数网络4.16通用逼近4.17概率神经元网络4.18支持向量机：非线性格况4.19超越SVM的范例4.20决策树4.21合并分类器4.22合并分类器的增强法4.23类的不平衡问题4.24讨论习题MATLAB编程和练习参考文献第5章特征选择5.1引言5.2预处理5.3峰值现象5.4基于统计假设检验的特征选择5.5接收机操作特性（ROC）曲线5.6类可分性测量5.7特征子集的选择5.8最优特征生成5.9神经网络和特征生成/选择5.10推广理论的提示5.11贝叶斯信息准则习题MATLAB编程和练习参考文献第6章特征生成I：线性变换6.1引言6.2基本向量和图像6.3Karhunen-Loève变换6.4奇异值分解6.5独立成分分析6.6非负矩阵因子分解6.7非线性维数降低6.8离散傅里叶变换（DFT）6.9离散正弦和余弦变换6.10Hadamard变换6.11Haar变换6.12回顾Haar展开式6.13离散时间小波变换（DTWT）6.14多分辨解释6.15小波包6.16二维推广简介6.17应用习题MATLAB编程和练习参考文献第7章特征生成II7.1引言7.2区域特征7.3字符形状和大小的特征7.4分形概述7.5语音和声音分类的典型特征习题MATLAB编程和练习参考文献第8章模板匹配8.1引言8.2基于最优路径搜索技术的测度8.3基于相关的测度8.4可变形的模板模型8.5基于内容的信息检索：相关反馈习题MATLAB编程和练习参考文献第9章上下文相关分类9.1引言9.2贝叶斯分类器9.3马尔可夫链模型9.4Viterbi算法9.5信道均衡9.6隐马尔可夫模型9.7状态驻留的HMM9.8用神经网络训练马尔可夫模型9.9马尔可夫随机场的讨论习题MATLAB编程和练习参考文献第10章监督学习：尾声10.1引言10.2误差计算方法10.3探讨有限数据集的大小10.4医学图像实例研究10.5半监督学习习题参考文献第11章聚类：基本概念11.1引言11.2近邻测度习题参考文献第12章聚类算法I：顺序算法12.1引言12.2聚类算法的种类12.3顺序聚类算法12.4BSAS的改进12.5两个阈值的顺序方法12.6改进阶段12.7神经网络的实现习题MATLAB编程和练习参考文献第13章聚类算法II：层次算法13.1引言13.2合并算法13.3cophenetic矩阵13.4分裂算法13.5用于大数据集的层次算法13.6最佳聚类数的选择习题MATLAB编程和练习参考文献第14章聚类算法III：基于函数最优方法14.1引言14.2混合分解方法14.3模糊聚类算法14.4可能性聚类14.5硬聚类算法14.6向量量化附录习题MATLAB编程和练习参考文献第15

《模式识别（第四版）》是2010年电子工业出版社出版的图书，作者是西奥多里蒂斯。
本书由模式识别领域的两位顶级专家合著，全面阐述了模式识别的基础理论、最新方法、以及各种应用。
作　者：(希)SergiosTheodoridis/(希)KonstantinosKoutroumbas，李晶皎等译第1章导论1.1模式识别的重要性1.2特征、特征向量和分类器1.3有监督、无监督和半监督学习1.4MATLAB程序1.5本书的内容安排第2章基于贝叶斯决策理论的分类器2.1引言2.2贝叶斯决策理论2.3判别函数和决策面2.4正态分布的贝叶斯分类2.5未知概率密度函数的估计2.6最近邻规则2.7贝叶斯网络习题MATLAB编程和练习参考文献第3章线性分类器3.1引言3.2线性判别函数和决策超平面3.3感知器算法3.4最小二乘法3.5均方估计的回顾3.6逻辑识别3.7支持向量机习题MATLAB编程和练习参考文献第4章非线性分类器4.1引言4.2异或问题4.3两层感知器4.4三层感知器4.5基于训练集准确分类的算法4.6反向传播算法4.7反向传播算法的改进4.8代价函数选择4.9神经网络大小的选择4.10仿真实例4.11具有权值共享的网络4.12线性分类器的推广4.13线性二分法中1维空间的容量4.14多项式分类器4.15径向基函数网络4.16通用逼近4.17概率神经元网络4.18支持向量机：非线性格况4.19超越SVM的范例4.20决策树4.21合并分类器4.22合并分类器的增强法4.23类的不平衡问题4.24讨论习题MATLAB编程和练习参考文献第5章特征选择5.1引言5.2预处理5.3峰值现象5.4基于统计假设检验的特征选择5.5接收机操作特性（ROC）曲线5.6类可分性测量5.7特征子集的选择5.8最优特征生成5.9神经网络和特征生成/选择5.10推广理论的提示5.11贝叶斯信息准则习题MATLAB编程和练习参考文献第6章特征生成I：线性变换6.1引言6.2基本向量和图像6.3Karhunen-Loève变换6.4奇异值分解6.5独立成分分析6.6非负矩阵因子分解6.7非线性维数降低6.8离散傅里叶变换（DFT）6.9离散正弦和余弦变换6.10Hadamard变换6.11Haar变换6.12回顾Haar展开式6.13离散时间小波变换（DTWT）6.14多分辨解释6.15小波包6.16二维推广简介6.17应用习题MATLAB编程和练习参考文献第7章特征生成II7.1引言7.2区域特征7.3字符形状和大小的特征7.4分形概述7.5语音和声音分类的典型特征习题MATLAB编程和练习参考文献第8章模板匹配8.1引言8.2基于最优路径搜索技术的测度8.3基于相关的测度8.4可变形的模板模型8.5基于内容的信息检索：相关反馈习题MATLAB编程和练习参考文献第9章上下文相关分类9.1引言9.2贝叶斯分类器9.3马尔可夫链模型9.4Viterbi算法9.5信道均衡9.6隐马尔可夫模型9.7状态驻留的HMM9.8用神经网络训练马尔可夫模型9.9马尔可夫随机场的讨论习题MATLAB编程和练习参考文献第10章监督学习：尾声10.1引言10.2误差计算方法10.3探讨有限数据集的大小10.4医学图像实例研究10.5半监督学习习题参考文献第11章聚类：基本概念11.1引言11.2近邻测度习题参考文献第12章聚类算法I：顺序算法12.1引言12.2聚类算法的种类12.3顺序聚类算法12.4BSAS的改进12.5两个阈值的顺序方法12.6改进阶段12.7神经网络的实现习题MATLAB编程和练习参考文献第13章聚类算法II：层次算法13.1引言13.2合并算法13.3cophenetic矩阵13.4分裂算法13.5用于大数据集的层次算法13.6最佳聚类数的选择习题MATLAB编程和练习参考文献第14章聚类算法III：基于函数最优方法14.1引言14.2混合分解方法14.3模糊聚类算法14.4可能性聚类14.5硬聚类算法14.6向量量化附录习题MATLAB编程和练习参考文献第15

PARZEN窗和K近邻算法的python实现。
现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。
很自然地，我们希望计算机能代我们完成这些工作，或至少提供一些协助。
根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。

基于深度学习的监督学习，使用梯度下降、ALS、LFM算法，使用AngularJS2生成前端框架，数据库为MongoDB，使用ElasticSearch作为搜索服务器，Redis作为缓存数据库，其中包括Spark的离线统计服务、Azkaban的工作调度服务、Flume的日志采集服务、Kafka作为消息缓冲服务，全局采用Scala编写，Java作为Tomcat部署使用，实现离线推荐、实时推荐、服务器冷启动问题处理。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。