Skip to content
所有標籤

#k-means

4 篇文章
aiguideStanford CS229 Machine Learning 導讀

k-means 與高斯混合模型：沒有標籤時怎麼分群｜Stanford CS229 第 9 堂

第 9 堂從 k-means 的「指派、取平均」兩步出發，說明它為何一定停下來卻只保證到局部最佳；接著把硬指派換成機率，得到高斯混合模型與 EM 的 E-step（貝氏定理）和 M-step（加權平均）。最後用 Jensen 不等式畫出 EM 的圖像：每一輪造一條貼著 log-likelihood 的下界再爬到頂，完整推導留到第 10 堂。

#cs229#ai-course#stanford#machine-learning#unsupervised-learning#k-means#em-algorithm
aiguide台大林軒田 機器學習基石與技法 導讀

RBF 網路：用到中心點的相似度做預測，再用 k-means 找中心｜台大林軒田 機器學習技法 第 14 堂

Gaussian SVM 的結果可以讀成「以支援向量為中心的 Gaussian 做線性投票」，把中心與票數都放開來學就是 RBF 網路。N 筆資料全當中心時，迴歸的最佳票數是 β = Z⁻¹y，訓練誤差剛好是 0，所以要靠 ridge 或把中心減到 M ≪ N 個代表點來正則化；代表點用 k-means 找，它輪流做「每筆資料歸到最近的中心」與「中心改成群內平均」兩步，直到分群不再變動。

#ntu-htlin-ml#ntu#ai-course#machine-learning#rbf-network#k-means#clustering
learningguideBerkeley CS189 Introduction to Machine Learning 導讀

K-means、機率複習、MLE、多變量高斯與 GMM｜Berkeley CS189 第 4–7 堂

CS189 Spring 2026 第 4–7 講用一條線串起非監督式學習：先用 K-means 分群，指出它的弱點（硬指派、沒有機率框架、只適合體積相近的圓形群），再複習機率、引入最大概似估計（MLE）與多變量高斯，最後把 K-means 改寫成高斯混合模型（GMM）。GMM 的 log-likelihood 沒有封閉解，這個缺口正好把課程帶向梯度下降。四講都有投影片與影片，Discussion 2–3 附解答與 walkthrough。

#berkeley#cs189#machine-learning#open-course#clustering#k-means#probability#unsupervised-learning
techguideHarvard CS1810 Machine Learning 導讀

（上）：K-means、HAC 與 PCA，沒有標籤時怎麼整理手寫數字｜Harvard CS181 作業 5／第 1 部分

HW5 的 Problem 3–4 把手寫數字丟給三種不看標籤的方法：K-means 用 10 個平均影像代表整批資料，HAC 用合併樹給出任意群數，PCA 用幾個連續方向壓縮影像。三者都在回答「用少量東西描述資料，誤差多大」，作業要你把它們的目標函數與重建誤差放在一起比。

#harvard#cs181#machine-learning#homework#clustering#k-means#pca#unsupervised-learning