因素分析 机器学习与数据挖掘 范式 监督学习 無監督學習 線上機器學習 元学习(英语:Meta-learning (computer science)) 半监督学习 自监督学习 强化学习 基于规则的机器学习(英语:Rule-based machine learning) 量子機器學習 问题 统计分类 生成模型 迴歸分析 聚类分析 降维 密度估计(英语:density estimation) 异常检测 数据清洗 自动机器学习 关联规则学习 語意分析 结构预测(英语:Structured prediction) 特征工程 表征学习 排序学习(英语:Learning to rank) 语法归纳(英语:Grammar induction) 本体学习(英语:Ontology learning) 多模态学习(英语:Multimodal learning) 监督学习(分类 · 回归) 学徒学习(英语:Apprenticeship learning) 决策树学习 集成学习 Bagging 提升方法 随机森林 k-NN 線性回歸 朴素贝叶斯 人工神经网络 邏輯斯諦迴歸 感知器 相关向量机(RVM) 支持向量机(SVM) 迁移学习 微调 聚类分析 BIRCH CURE算法(英语:CURE algorithm) 层次 k-平均 Fuzzy 期望最大化(EM) DBSCAN OPTICS 均值飘移(英语:Mean shift) 降维 因素分析 CCA ICA LDA NMF(英语:Non-negative matrix factorization) PCA PGD(英语:Proper generalized decomposition) t-SNE(英语:t-distributed stochastic neighbor embedding) SDL 结构预测(英语:Structured prediction) 圖模式 貝氏網路 條件隨機域 隐马尔可夫模型 异常检测 RANSAC k-NN 局部异常因子(英语:Local outlier factor) 孤立森林(英语:Isolation forest) 人工神经网络 自编码器 認知計算 深度学习 DeepDream(英语:DeepDream) 多层感知器 RNN LSTM GRU(英语:Gated recurrent unit) ESN(英语:Echo state network) 储备池计算(英语:reservoir computing) 受限玻尔兹曼机 GAN SOM CNN U-Net Transformer Vision transforme(英语:Vision transformer) 脉冲神经网络(英语:Spiking neural network) Memtransistor(英语:Memtransistor) 电化学RAM(英语:Electrochemical RAM)(ECRAM) 强化学习 Q学习 SARSA 时序差分(TD) 多智能体(英语:Multi-agent reinforcement learning) Self-play(英语:Self-play (reinforcement learning technique)) RLHF 与人类学习 主动学习(英语:Active learning (machine learning)) 众包 Human-in-the-loop(英语:Human-in-the-loop) 模型诊断 学习曲线(英语:Learning curve (machine learning)) 数学基础 内核机器(英语:Kernel machines) 偏差–方差困境(英语:Bias–variance tradeoff) 计算学习理论(英语:Computational learning theory) 经验风险最小化 奥卡姆学习(英语:Occam learning) PAC学习(英语:Probably approximately correct learning) 统计学习 VC理论 大会与出版物 NeurIPS ICML(英语:International Conference on Machine Learning) ICLR ML(英语:Machine Learning (journal)) JMLR(英语:Journal of Machine Learning Research) 相关条目 人工智能术语(英语:Glossary of artificial intelligence) 机器学习研究数据集列表(英语:List of datasets for machine-learning research) 机器学习概要(英语:Outline of machine learning) 查论编 因素分析是一种统计方法,针对称为因素的潜在未观察变量的数量来描述观察到的相关变量之间的变异性。 例如,六个观测变量的变化可能主要反映了两个未观测(基础)变量的变化。因素分析针对未观察到的潜在变量寻找此类共同变化,从而将观察到的变量建模,使之成为潜在因素以及误差项的线性组合。 规范控制数据库 各地 法国 BnF data 德国 以色列 美国 捷克 学术 AAT