内容概要：本文详细介绍了利用无监督学习方法进行绝缘子缺陷检测的技术实现。首先，文章解释了数据集的结构特点，即训练集中仅有正常样本，而测试集则混合了正常和缺陷样本。接着，作者展示了如何构建卷积自编码器（CAE），并通过马赛克增强等技术提高模型的泛化能力。此外，文中还讨论了如何通过计算重建误差来检测异常，并给出了具体的检测流程和实验结果。最后，文章提到了一些改进方向，如引入注意力机制和域适应方法。 适合人群：对无监督学习、深度学习以及电力系统巡检感兴趣的科研人员和技术开发者。 使用场景及目标：适用于电力系统的自动化巡检任务，旨在提高绝缘子缺陷检测的效率和准确性，减少人工干预的需求。 其他说明：该方法能够在没有标注数据的情况下实现较高的检测精度，特别适合于缺陷样本稀缺的实际应用场景。同时，代码已在GitHub上开源，方便研究者和开发者进一步探索和改进。

内容概要 《机器学习（西瓜书）实用联系题》是与经典教材《机器学习》（周志华著，俗称“西瓜书”）配套的练习资料。它围绕西瓜书中各章节的核心知识点，精心设计了一系列实用的练习题。这些题目涵盖了机器学习的基础理论、算法原理、模型构建与评估等多个方面，旨在帮助读者巩固理论知识，提升实践能力。通过解答这些练习题，读者可以深入理解机器学习算法的细节，掌握如何将理论应用于实际问题的解决过程中，从而更好地应对机器学习领域的各种挑战。 实用人群 机器学习初学者：对于刚刚接触机器学习领域的学生、自学者等，这些练习题可以帮助他们系统地学习和掌握基础知识，逐步建立起对机器学习算法和概念的理解，为后续深入学习打下坚实基础。 高校教师与学生：教师可以将其作为教学辅助材料，用于布置作业、组织课堂讨论等，帮助学生更好地消化课堂知识；学生则可以通过练习题检验自己的学习效果，加深对课程内容的理解和记忆，提高学习效率。

"无监督域自适应的切片Wasserstein差异(SWD)：特征分布对齐的几何指导和跨领域的学习方式" 在本文中，我们将介绍一种新的无监督域自适应方法，称为切片Wasserstein差异（SWD），旨在解决域之间的特征分布对齐问题。该方法基于Wasserstein度量和特定于任务的决策边界，提供了一个几何上有意义的指导，以检测远离源的支持的目标样本，并使有效的分布对齐在一个端到端的可训练的方式。 在无监督域自适应中，一个主要挑战是如何跨域学习和泛化。深度学习模型尽管具有出色的学习能力和改进的泛化能力，但是在不同域中收集的数据之间的关系的转移仍然是一个挑战。域转移可以以多种形式存在，包括协变量移位、先验概率移位和概念移位。 我们提出的方法旨在捕捉特定任务分类器的输出之间的差异的自然概念，提供了一个几何上有意义的指导，以检测远离源的支持的目标样本，并使有效的分布对齐在一个端到端的可训练的方式。 我们的方法基于Wasserstein度量，通过最小化在特定任务分类器之间移动边缘分布，来实现域之间的特征分布对齐。我们还使用切片Wasserstein差异（SWD）来实现有效的分布对齐，并且可以容易地应用于任何局部自适应问题，例如图像分类、语义分割和对象检测。 相比于之前的方法，我们的方法不需要通过启发式假设在特征、输入或输出空间中对齐流形，而是直接对需要整形的目标数据区域进行整形。我们的方法也可以应用于其他领域，例如图像检索、基于颜色的风格转移和图像扭曲。 在实验验证中，我们的方法在数字和符号识别、图像分类、语义分割、目标检测等方面都取得了良好的结果，证明了该方法的有效性和通用性。 我们的方法为解决域之间的特征分布对齐问题提供了一种新的解决方案，具有良好的泛化能力和可扩展性。 在深度卷积神经网络中，我们可以使用切片Wasserstein差异（SWD）来实现有效的分布对齐，并且可以容易地应用于任何局部自适应问题，例如图像分类、语义分割和对象检测。 在无监督域自适应中，我们可以使用Wasserstein度量来捕捉特定任务分类器的输出之间的差异的自然概念，提供了一个几何上有意义的指导，以检测远离源的支持的目标样本，并使有效的分布对齐在一个端到端的可训练的方式。 在实验验证中，我们的方法在数字和符号识别、图像分类、语义分割、目标检测等方面都取得了良好的结果，证明了该方法的有效性和通用性。 我们的方法可以应用于其他领域，例如图像检索、基于颜色的风格转移和图像扭曲。我们的方法为解决域之间的特征分布对齐问题提供了一种新的解决方案，具有良好的泛化能力和可扩展性。

无监督医学图像分割 刘立豪，当归I阿维莱斯·里维罗和卡罗拉·比比亚恩·舍恩利布。 介绍 在此存储库中，我们提供了的PyTorch实现。 要求 火炬1.5.0 火炬视觉0.4.2 SimpleITK 1.2.4 opencv-python 4.2.0.32 用法 克隆存储库： git clone https://github.com/lihaoliu-cambridge/unsupervised-medical-image-segmentation.git cd unsupervised-medical-image-segmentation 下载LPBA40数据集的图像和分割蒙版： LPBA40图片： LPBA40标签： 将它们解压缩到文件夹datasets/LPBA40 ： datasets/LPBA40/LPBA40_rigidly_registered_pairs data

在将机器学习应用于粒子物理学的过程中，一个持续的挑战是如何超越歧视来学习基础物理学。 为此，一个强大的工具将是无监督学习的框架，在该框架中，机器无需参考预先建立的标签，即可学习对其进行训练的数据的复杂高维轮廓。 为了处理这样一个复杂的任务，必须基于对数据的定性理解，智能地构建一个不受监管的网络。 在本文中，我们围绕数据背后的物理先导模型来构建神经网络的架构。 除了使无监督学习变得易于处理外，该设计还缓解了性能和可解释性之间的现有紧张关系。 我们将框架称为Junipr：“来自不受监督的可解释PRobabilistic模型的喷气机”。 在这种方法中，组成射流的粒子动量集合被聚类为神经网络依次检查的二叉树。 训练不受监督且不受限制：网络可以决定数据与所选树形结构几乎没有对应关系。 但是，当存在对应关系时，沿树的网络输出具有直接的物理解释。 瞻博网络模型可以通过统计上的最佳似然比检验执行判别任务，并且它们可以使喷气树中每个分支的辨别力可视化。 此外，瞻博网络模型提供了可以从中得出事件的概率分布，从而提供了数据驱动的蒙特卡洛生成器。 作为第三种应用，瞻博网络模型可以对一个（例如，模拟的）数据集的

使用详情见 本人博客【深度学习模型训练】使用DPED DPE模型进行图片增强

提出一种改进决策1-SVM方法(1-DISVM)，并由此构建了基于单类样本训练的1-DISVM多分类模型。1-DISVM是1-SVM方法的改进，通过对决策算法的修正，解决了1-SVM分类精度低的不足，并将其应用于直升机减速器故障识别中。结果表明该方法能够在训练样本数量少、不准确的情况下，自动排除错误样本的干扰，获得很好的分类结果，且具有无监督学习、分类精度高、易于扩展和代价小等优点。

Customer-segmentation:用于银行客户细分的无监督机器学习项目

压缩包中包含算法的Python实现代码、测试数据集及运行结果，可供感兴趣的同学参考。因为现在的实现并不能对所有的数据集都得到良好的效果，所以如果哪位同学有更好的想法，希望能不吝赐教。

乌日达 具有统一联合分布对齐的无监督域自适应 先决条件： Python3 PyTorch == 0.4.1（具有合适的CUDA和CuDNN版本） 火炬视觉== 0.2.0 脾气暴躁的 tqdm 资料集： 您需要在“ ./data”中的每个“ .txt”中修改图像的路径。 训练： 跑步 ： python train.py --config ../config/dann.yml --dataset Office-31 --src_address ../data/amazon.txt --tgt_address ../data/dslr.txt --src_test_address ../data/amazon.txt 引文： 如果您使用此代码进行研究，请考虑引用： 接触 如果您对我们的代码有任何，请随时联系 。