Skip to content
简体中文

切换主题

发现▾

不知道从哪开始？本周最热的软件、模型和组合，3 分钟看完 AI 圈的变化。

AI 软件▾

给人用的 AI 软件：从 ChatGPT 这类助手，到写代码、做视频、搭工作流的工具，按用途挑。

Agent 工具▾

给 AI 用的软件：让你的 agent（Claude Code、Codex、Cursor…）能上网、读文档、跑代码、记住事情。

模型▾

选模型、算成本、自己部署：价格、榜单、评测、免费额度和自建算力都在这里。

解决方案▾

有具体目标或报错？按场景给出现成的软件组合、步骤和问题解法。

学 AI▾

一套从零到前沿的系统课程，配算法库、必读论文和精选教程。

前沿▾

每天的 AI 新闻、每周热点、最新论文和 AI 改造各学科的进度。

// 阶段 2 · 经典机器学习

无监督学习：聚类、降维与 EM

k-means、高斯混合与 EM、PCA、t-SNE/UMAP。

看学习目标 ↓ 代码与练习 ↓

约 8 小时6 个算法2 篇论文正文编写中

01学习目标

建议先学：机器学习流程：数据、损失与泛化 · 线性代数：向量、矩阵与分解

02要掌握的算法

每张卡都有原始论文、前置和学习资料。

K 均值聚类k-Means Clustering 反复“分组—求中心”，把数据分成 k 簇。 1982核心 期望最大化（EM）Expectation–Maximization (EM) 在有隐藏变量时交替“猜隐藏值—更新参数”。 1977扩展 主成分分析Principal Component Analysis (PCA) 找出数据变化最大的几个方向来降维。 1901核心 t-SNE 把高维数据压到二维，同时保持“邻居还是邻居”。 2008扩展 UMAP 比 t-SNE 更快、更能保留全局结构的降维方法。 2018扩展 DBSCAN 密度聚类DBSCAN (Density-Based Clustering) 按“点够不够密”来聚类，能找出任意形状的簇和噪声点。 1996扩展

03必读论文

04课程与视频

05动手：项目、代码与练习

全部是官方或作者公开的免费页面，多数能在浏览器或免费 Colab 里直接运行。

动手项目

把 1000 条句子的嵌入用 k-means 聚类，再用 UMAP 画成二维图，给每个簇起名。

  1. 1
    scikit-learn 官方示例库（可在线运行） ↗可运行 Notebook

    对同一份数据比较 k-means、DBSCAN 和高斯混合的聚类结果。

  2. 2
    Mathematics for Machine Learning 配套仓库（含 Notebook 教程） ↗可运行 Notebook

    跑 PCA 和高斯混合模型的 Notebook，自己推一遍 EM。

06自测题

先自己想，再点开看答案。

k-means 对初始化敏感吗？

敏感，常用 k-means++ 和多次初始化。

t-SNE 图上簇间距离可以解读吗？

不能直接解读。

PCA 第一主成分是什么方向？

数据方差最大的方向。

所在人群路线：算法研究者 · 各学科研究者

数据更新于：AI 算法图谱与课程体系（北京时间）