李宏毅unsupervised learning-Linear Methods（lecturte13）课堂笔记
贴标签，不知道要分成多少类？就要根据经验决定。----->简单介绍K近邻
两两计算相似度（相似度高的两个），切一刀看哪些在一组
cluster时就是以偏概全，每个object都一定属于某个cluster，但这样太过粗糙，所以要用一个vector表示一个object。
dimension reduction被引入，简介：
假设三维空间有如图左侧分布，但用三维空间去表示这些分布是很浪费的，摊平如右侧的2D就很容易解决
那么怎么做降维呢？就是要找一个function，输入是一个vector x，输出是一个vector z，z的维度小于x
介绍两个方法，一个是feature selection，该方法有点鸡肋。另一个就是主成分分析PCA
怎么解w1和w2呢（只截图了，没有好好看视频，也没有好好看公式）
直观PCA证明想法
PCA缺点：
因为无监督可能会把两类投影一个平面上，因为是线性的，无法投影S曲面，只会打扁不会拉伸
Matrix Factorization举例：
也是用梯度下降求出
