经典无监督聚类算法，由Stuart Lloyd于1957年提出，通过迭代更新簇中心最小化簇内平方误差和，将数据划分为k个簇
K-means、SOM 等传统原型式学习方法需要预先指定聚类中心或原型的数量
核心机器学习算法包括线性回归、逻辑回归、决策树、随机森林、梯度提升（XGBoost、LightGBM）、K近邻和K-means聚类
语义聚类基于词嵌入或句嵌入技术，将关键词映射为高维向量空间中的点，通过K-means、DBSCAN等聚类算法自动分组
K-means聚类算法本质上是坐标下降法（coordinate descent）的一个具体实例
K-means可以视为EM算法在高斯混合模型上的硬极限情况，EM算法使用软分配而K-means使用硬分配
K-means、SOM 等传统原型式学习方法需要预先指定聚类中心或原型的数量
50%Unverified核心机器学习算法包括线性回归、逻辑回归、决策树、随机森林、梯度提升（XGBoost、LightGBM）、K近邻和K-means聚类
50%Unverified语义聚类基于词嵌入或句嵌入技术，将关键词映射为高维向量空间中的点，通过K-means、DBSCAN等聚类算法自动分组
50%UnverifiedK-means聚类算法本质上是坐标下降法（coordinate descent）的一个具体实例
50%UnverifiedK-means可以视为EM算法在高斯混合模型上的硬极限情况，EM算法使用软分配而K-means使用硬分配
50%