无监督学习的核心思想是什么？
许多教程中都列出了监督学习的示例，例如 MNIST 手写数字识别和 IMDB 电影评论分类。然而，无监督学习的例子却很少。
作为初学者，我想知道无监督学习的核心思想和基本步骤是什么？ 无监督学习是不是比监督学习多了一步：生成伪标签？
非常感谢您帮我回答我的问题。
我查了一些关于无监督学习的资料。有资料介绍了引入自动编码器来处理未标记的数据。
无监督学习的目标通常是找到手头某些数据的更密集或更结构化的表示。它实际上并不是生成伪标签，因为这些标签在很大程度上取决于某些特定任务。这是关于理解数据本身的内在结构或模式。
自动编码器是适合无监督学习的深度神经网络架构的示例之一。它需要一些输入，例如来自 MNIST 的手写数字，并将其投影到低维潜在空间。这种潜在表示不仅包含有关图像标签（数字）的信息，还包含更多细节，例如笔划宽度、倾斜度或书写风格。与构成原始图像的大量像素相比，这种潜在表示的信息内容也更加密集。
自动编码器基于重建损失的思想。这个想法的核心是，神经网络应该能够通过仅给出其潜在空间中的信息来重建图像来找出数据的结构。
除了重建损失的想法之外，还有其他概念在无监督学习中流行起来。一个例子是对比学习，其中损失的构建方式是神经网络必须为具有相似内容的图像产生相似的表示，否则会产生不相似的表示（例如SimCLR）。另一个例子是图像补丁掩蔽，其中神经网络应该为同一图像的两个版本生成相似的表示，其中不同部分被掩蔽。这种训练有时也称为自监督训练，用于流行的模型，例如DINOv2。
请记住，这些想法并不局限于图像，类似的想法可以扩展到许多数据领域。
Pertama yang Harus diketahui adalah 机器倾斜。机器学习可以帮助我们更好地理解机器学习。机器学习 terdapat 2 jenis yaitu teknik pembelajaran mesin tanpa penkawasan（无监督）和 teknik pembelajaran mesin dengan penkawasan（监督）。深度学习 termasuk dalam 监督机器学习 yang termasuk jenis klasifikasi。
Pembelajaran mesin tanpa pengasan（无人监督）adalah pembelajaran mesin ketika belum diketahui labelnya sehinga 模型 Melakukan pembelajaran sendiri untuk menemukan informasi yang dibutuhkan。 Contohnya adalah metode clustering yang memisahkan data menjadi klaster yang terpisah-pisah, dimana data di dalam satu klaster harus serupa menurut beberapa metrik dan berbeda dari data klaster lain (Capoor-Hrosik dkk., 2019).
Penelitian terdahulu yang dilakukan pada tahun 2020，Ragupathy dan Karunakaran melakukan penelitian berupaegasis 肿瘤 otak pada citra MRI。 Penelitian tersebut dilatarbelakangi oleh permasalahan pencarian daerah 肿瘤 tidak berlaku di semua jenis gambar (citra)。 Maka dari itu、Ragupathy 和 Karunakaran mengusulkan metode gabungan CNN（深度学习）和多内核 K 均值聚类（无监督机器学习）。哈西尔·佩科巴安·菜单朱坎·巴赫瓦方法 CNN-MKKMC 杨迪苏尔坎·伊尼蒙哈西尔坎·库拉西·杨·莱比·拜克·达拉姆·曼尼斯特·奥塔克和莱比·伊利特·比亚瓦克图。 Hasil Outputnya adalah citra 掩蔽肿瘤 dari citra MRI otak yang sudah terklasifikasikan atau terprediksi menjadi citra 异常 atau citra otak yang mempunyai 肿瘤。