监督学习与非监督学习的区别
一、基于模型的聚类方法
单峰子集分类
二、动态聚类的算法
kmeans算法实验 1
https://blog.csdn.net/qq_40731414/article/details/93990867
Kmeans算法实验 2https://blog.csdn.net/weixin_52045738/article/details/120538975?ops_request_misc=&request_id=&biz_id=102&utm_term=kmeans%E8%81%9A%E7%B1%BB%E5%92%8Cc%E5%9D%87%E5%80%BC&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-1-120538975.142^v56^pc_rank_34_queryrelevant25,201^v3^control_1&spm=1018.2226.3001.4187ISODATA算法 python实现https://blog.csdn.net/zsiming/article/details/122410398?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522166572619316781432968383%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=166572619316781432968383&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduend~default-2-122410398-null-null.142^v56^pc_rank_34_queryrelevant25,201^v3^control_1&utm_term=isodata%E7%AE%97%E6%B3%95&spm=1018.2226.3001.4187
Kmeans算法是最常用的聚类算法，主要思想是：在给定K值和K个初始类簇中心点的情况下，把每个点（亦即数据记录）分到离其最近的类簇中心点所代表的类簇中，所有点分配完毕之后，根据一个类簇内的所有点重新计算该类簇的中心点（取平均值），然后再迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数
ISODATA算法是k-means算法的改进。与k-means均值算法有两点不同：第一，它不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在每次把全部样本都调整完毕之后才重新计算一次样本的均值，前者一般称为逐个样本修正法，后者称为成批样本修正法。第二，ISODATA算法不仅能通过调整样本所属类别完成聚类分析，而且还能自动地进行类的“合并”和“分裂”，从而得到类数较为合理的各个聚类
三、模糊聚类方法
四、分级聚类方法
建议熟悉python，因为下学期还会用到。还可以学习C#，因为软件开发用得上 。