无监督学习都有哪些主要算法，各自的优缺点是什么？ _模型

无监督学习是深度学习的圣杯人工智能ai编程，其目的是希望能够用极少量且不需要标注的数据训练通用系统。现今很多的深度学习技术面临并正尝试解决的一个问题，即为了达到良好的全局表现，训练要在视频上进行，而不是静态的图片上。这是将学习到的表征应用在实际任务中的唯一途径。
下面对深度学习的主要基础算法的优缺点做一个简明扼要的介绍：
自编码器
自编码器主要源于 1996 年 Bruno和 David Field（参见论文：with anBasis Set：Aby V1）发表的文章。此文表明，编码理论可应用于视觉皮层感受野。
优点：
【无监督学习都有哪些主要算法，各自的优缺点是什么？】缺点：
聚类学习
它是用 k-means 聚类在多层中学习滤波器的一种技术。聚类学习的优缺点：
优点：
缺点：
生成对抗网络模型
生成对抗网络尝试通过鉴别器和生成器的对抗而得来一个优良的生成模型，该网络希望能够生成足以骗过鉴别器的逼真图像。
优点：
缺点：
可以从数据中学习的模型
通过设计不需要标签的无监督学习任务和旨在解决这些任务的学习算法，这些模型直接从无标签的数据中学习。在视觉表征中通过解决拼图问题来进行无监督学习确实是一个聪明的技巧。
这项技术的一个问题就是：一个训练在静态图像帧上的神经网络被用来解释视频输入。
是被设计来预测视频中未来帧的网络。这是一个非常聪明的神经网络型，在我们看来，它将在将来的神经网络中起着重要的作用。学习到了超越监督式 CNN 中的单帧图片的神经表征。
这个模型有以下这几个优点：
存在的一个问题是，对第一层的一些简单的基于运动的滤波器而言，预测未来输入的帧是相对容易的。
未来需要你们来创造。无监督训练仍然还是一个有待发展的主题人工智能ai编程，你可以通过以下方式做出较大的贡献：
本文到此结束，希望对大家有所帮助。