Amazon ML Summer School 2026 Module 4 无监督学习笔记:聚类、GAN 与表示学习完全指南

原创2026-11-13 11:44:331,857 阅读

Amazon ML Summer School 2026 Module 4 无监督学习笔记:聚类、GAN 与表示学习完全指南

Amazon ML Summer School 2026 是亚马逊官方开设的机器学习训练营项目,本仓库汇集了 AMSS 2025 全部 8 个模块的完整课程笔记、历年选择题(MCQs)、编程题与官方样题。本文带你一文读懂 Module 4:无监督学习(Unsupervised Learning)——聚类、降维、GAN 与表示学习四大核心考点,适合零基础新手快速入门,也能帮助你在面试中系统作答。

🧩 什么是无监督学习:与监督学习的区别

无监督学习的核心是从没有标签的数据中发现隐藏的结构与模式,这也是它在真实工业场景中价值最大的原因:

对比维度 监督学习 无监督学习
数据要求 需要人工标注的标签 无需任何标签
学习目标 输入 → 输出映射 自动发现数据中的模式
典型任务 分类、回归 聚类、降维、生成建模
现实优势 精度高、可解释 成本极低,适合海量未标注数据

无监督学习的重要性体现在三点:能直接处理大规模未标注数据;无需人工标注即可获得业务洞察;广泛用于异常检测、图像超分辨率等实际场景。

🗺️ 无监督学习四大核心问题速览

Module 4 将无监督学习归纳为四类问题,这也是面试中被问得最多的知识框架:

问题类型 目标描述 典型例子
降维(Dimensionality Reduction) 在保留关键信息的前提下压缩数据规模 可视化、压缩、特征提取
聚类(Clustering) 把相似的数据点分到一组 客户分群、图像分组
生成建模(Generative Modeling) 学会数据分布以生成新样本 图像合成、异常检测
表示学习(Representation Learning) 构造紧凑且有用的数据表示 词嵌入、图像特征

💡 复习建议:降维部分与 MODULE3.md 的 Module 3 高度衔接,两篇笔记配合阅读效果最好。

🎯 聚类(Clustering):三大经典方法

聚类的目标是"把相似项聚到一起,把不同项分开"。笔记中给出了三种主流算法,各有所长:

1. K-means(K 均值聚类)

基于"最近中心点"分组:先随机指定 K 个中心,再把每个点划入最近的簇,然后更新中心、迭代收敛。优点是简单、快、可解释,是面试第一必会算法。

2. 层次聚类(Hierarchical Clustering)

基于"距离相近性"不断合并项,形成树状结构。适合数据量较小、需要观察不同粒度的分组结果。

3. 高斯混合模型(Gaussian Mixture Models, GMM)

用概率的方式给每个点分配簇——每个点属于每个簇都有一个概率,比硬划分的 K-means 更灵活,天然衔接生成建模。

课堂实例:图像压缩——把像素颜色聚成少数几个主色簇,即可大幅压缩文件体积,这是聚类在工程中最直观的应用。

🌀 生成建模与 GAN:让模型"学会造数据"

生成建模的目标是学习数据分布,然后创造出新的样本。笔记覆盖两条技术路线:

  • 密度估计:如高斯混合模型,直接对数据分布建模,可用于异常检测(低密度区域 = 异常)。
  • GAN(生成对抗网络):由**生成器(Generator)和判别器(Discriminator)**组成的"攻防对抗"——生成器负责造数据,判别器负责判断真假,两者博弈式训练、共同进步。

典型用途包括图像增强、风格迁移、从零生成逼真图像。如果你后续要深入 GAN 原理,仓库中的 Deep Learning by Ian Goodfellow, Yoshua Bengio, Aaron Courville.pdf(深度学习的"花书",作者正是 GAN 提出者之一)是最权威的进阶资料。

📦 表示学习:Word2Vec、DeepWalk 与 SimCLR

表示学习(Representation Learning)的目标是把原始数据压缩成紧凑、有意义的向量,供下游任务直接使用。Module 4 按数据类型分了三条线:

文本:词嵌入(Word Embeddings)

  • Word2Vec:把词映射为稠密向量,"国王 − 男 + 女 ≈ 女王"这类语义关系可以被向量运算捕捉。
  • BERT:上下文化的 Transformer 嵌入,是当前 NLP 的基石。

图:节点嵌入(Node Embeddings)

  • DeepWalk:在图上做随机游走,把游走序列当作"句子"来学习节点关系。
  • Node2Vec:改进版随机游走策略,能平衡局部结构与全局结构,效果更佳。
  • 应用:社交网络分析、推荐系统、异常检测。

图像:自监督对比学习(SimCLR)

SimCLR 的思路非常巧妙——不需要任何人工标签:

  1. 对同一张图做两次不同增强,得到"两个视角";
  2. 训练模型拉近同一图片两个视角的表示、推远不同图片的表示。

好处显而易见:大幅减少标注成本,且学到的表示在多任务上表现良好,是自监督学习的代表作。

📚 配套资料与复习路径

想真正吃透 Module 4,建议按以下路径使用仓库中的资料(相对路径,均在当前仓库内):

60 分钟考试结构提醒:Part A 为 20 道选择题(ML 基础、概率、统计、线性代数),Part B 为 2 道编程题,两部分分别设置分数线——无监督学习的聚类与降维正是高频考点。

✅ 一句话总结

无监督学习让你在没有标签的海量数据中挖掘价值:聚类解决"怎么分组"、降维解决"怎么压缩"、GAN 解决"怎么生成"、表示学习解决"怎么编码"。把这四大块吃透,配合仓库中的模块笔记与真题 PDF,无论是 AMSS 选拔测试还是 ML 面试,你都能从容应对。

登录后查看全文
Amazon-ML-Summer-School-2026