传统的聚类方法有很多了，K-means、HAC、DBSCAN、Mean-shift等等，目前深度学习已经在分类上取得很大的成就，但是在聚类方面的效果仍是差强人意，而“聚类，才是人类真正认知世界的方式”，所以还需要继续突破，看了一些经典文章，做好记录
前置内容
经典聚类算法
查看之前的blogClustering Algorithm，各种Autoencoder自动编码器
其实已经了解了目前的一些深度聚类方案，怎么说呢，感觉没有特别颠覆，好多甚至是当前SOTA的方法，还是autoencoder和K-means的结合，基本思路都是通过深度学习+CNN+autoencoder提取特征，即完成降噪降维，而后在embeding space中通过K-means进行聚类
一方面，是我目前的理解还不够，看的文章还很少，所以这也是我写下这篇blog记录自己探索过程的初衷
另一方面，也证明是传统机器学习是真的强啊，K-means真的，虽然一堆问题（local convergence、group collapse），但就是简单易操作而且好用，自己之前花了很多时间去刨根问底一些machine learning的算法，虽然花了不少时间，但也增长了不少见识，希望今后能继续探索SOTA的同时，好好挖掘下传统算法的精华
CA / PCA / t-SNE / Autoencoder
都是降维的方法，前二者老算法了，主要是线性降维，通过特征矩阵提取特征向量，从而使用部分特征表征具体样本，早期算力紧张时，非常火热；
t-SNE（T-Distribution Stochastic Neighbour Embedding）是非线性降维，了解的比较少，具体可看 t-sne数据可视化算法的作用是啥？为了降维还是认识数据？- 微调的回答
Autoencoder就不多说了
维度灾难 The curse of dimensionality
怎样理解 Curse of Dimensionality（维数灾难）? - 微调的回答
高维数据带来高维的特征空间 导致 特征空间稀疏 可能导致 过拟合