1.知識儲備 1.0 window系統截圖（當前視窗） Alt + PrintScreen 1.1 Matlab中 K-means聚類函式 [Idx,Ctrs,SumD,D]

Speaker diarization , the process of partitioning an audio stream with multiple people into homogeneous

對於兩個集合，如果一個集合中點和另一個結合中的點有連線，而集合內的點之間沒有連線，那麼這樣的資料稱為二分關係資料。通常這樣的資料通過圖模型來描述，這類特殊的圖稱為二分圖（圖1）。生活中存在大量這樣的二分關係資料

什麼是聚類 聚類分析是將資料物件的集合分成相似物件類的過程。使得 同一簇 （或類）中的物件之間具有較高的 相似性 ，而 不同簇 中的物件具有較高的 相異性 。 簇是資料物件（如資料點）的集合，這些物

聖人曾說過：資料和特徵決定了機器學習的上限，而模型和演算法只是逼近這個上限而已。 再好的模型，如果沒有好的資料和特徵質量，那訓練出來的效果也不會有所提高。資料質量對於資料分析而言是至關重要的，有時候它的意義

1.演算法描述 最近在做AutoEncoder的一些探索，看到2016年的一篇論文，雖然不是最新的，但是思路和方法值得學習。論文原文連結  http://proceedings.mlr.press/v4

在做前端應用的過程中，我經常發現元件之間、store的module之間關係錯綜複雜，扁平的結構並不能表示其關係，隨著元件和module的增加，程式碼越來越混亂，維護成本也越來也高。我對這個問題的解決進行了一系

我們日常進行的大多數影象搜尋行為，獲取的結果中都充滿了噪聲。比如，當你搜索“酒”的時候，可能就會發現一些奇怪的東西…… 這樣搜尋出的資料集，要用來訓練一個識別“酒”的模型，在大多數人的認知裡是很

Fusionblock致力於打造全球首個數值交換生態系統。藉助大資料產業基礎，提煉資料為抽象事物物件，打造為解決資料服務工作流及商業流程的生態交易鏈，是新一代分片分層綜合架構下的一個多方事務協同管理，協同操作

原文地址： Unsupervised Learning with Python 原文作者：Vihar Kurama 譯文出自： 掘金翻譯計劃 本文永久連結： github

需求：分析訂單的價格分佈 方案：按照100為梯度，分析不同價格區間的訂單量 缺陷：現實生活中，定價存在一些自然的價格分隔，如果按照步距劃分可能存在一些偏差，比如airbnb的價格篩選顯示出的房價分佈：

YOLO系列的實現有一個自己的框架叫做draknet，這是一個純C的框架，無論是YOLO還是YOLO2，在程式碼實現上都是用darknet，改變的是網路結構的配置檔案，首先我們來看一下它到底是什麼樣的：

在 K-Means演算法 中，最終的聚類效果受初始的聚類中心的影響， K-Means++ 演算法的提出，為選擇較好的初始聚類中心提供了依據，但是演算法中， 聚類的類別個數k 仍需事先制定，對於類別個數事先未知

考慮一個大而複雜的資料集。如果你的任務是分析此資料集，你可以通過繪製幾個圖表進行探索性可視分析（EVA）。這種迭代的圖表驅動方法很受歡迎，並得到Tableau等軟體和Kaggle Kernels等資料科學筆記本

左側邊欄可以匯入資料，或者開啟以及前儲存的結果。右側顯示了所有的日誌，可以輕鬆回到之前的狀態，檢視的主區域上半部分是資料，下半部分是聚類檢視。 INTRODUCTION 資料聚類對於處理無標籤