ScholarGate
עוזר
Machine learningMachine learning

K-means במיתוג עצמי

K-means במיתוג עצמי הוא טכניקת אשכול המשלבת הקצאת K-means עם למידת ייצוג במיתוג עצמי. המודל מחליף לסירוגין בין אשכול נקודות נתונים לא מתויגות לקבוצות K, ומשתמש בהקצאות אשכול אלו כתוויות-דמה (pseudo-labels) כדי לשפר ייצוג תכונות בסיסי, וכתוצאה מכך מתקבלים אשכולות קוהרנטיים יותר ויותר ללא כל אמת-מידה מתויגת-אנושית.

פתיחה ב-MethodMindבקרובוידאובקרובDownload slides

קראו את השיטה במלואה

לחברים בלבד

התחברו עם חשבון חינמי כדי לקרוא חלק זה.

התחברות

Method map

The neighbourhood of related methods — select a node to explore.

K-means במיתוג עצמי
K-means מאוחד (Ensemble…אשכול K-meansK-means מקווןלמידה בפיקוח עצמיK-means חצי מפוקח

מקורות

  1. Caron, M., Bojanowski, P., Joulin, A., & Douze, M. (2018). Deep Clustering for Unsupervised Learning of Visual Features. In Proceedings of the European Conference on Computer Vision (ECCV), 132–149. link ↗
  2. Self-supervised learning. Wikipedia. link ↗

איך לצטט עמוד זה

ScholarGate. (2026, June 3). Self-supervised K-means Clustering. ScholarGate. https://scholargate.app/he/machine-learning/self-supervised-k-means

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side →

מצאתם בעיה בעמוד זה? דווחו או הציעו תיקון →

ScholarGate — Self-supervised K-means (Self-supervised K-means Clustering). אוחזר בתאריך 2026-06-15 מתוך https://scholargate.app/he/machine-learning/self-supervised-k-means · מערך נתונים: https://doi.org/10.5281/zenodo.20539026