1、关于K-means
K-means原理的理解可视化：让你更加容易它的算法过程
https://www.naftaliharris.com/blog/visualizing-k-means-clusteringniu/
K-means的一个应用是分类手写数字。这种算法可以在数字识别上得到相当好的结果，
参阅：http://ieeexplore.ieee.org/document/6755106/?reload=true
假设我们有用像素亮度的长向量表示的数字的图像。假设这些图像是黑白两色的，大小为 64×64 像素。每个像素代表一个维度。那么这些图像就生活在一个有 64×64=4096 个维度的世界里。在这个 4096 维的世界里，K 均值聚类让我们可以按接近程度对这些图像分组，并且假设这些靠得很近的图像都是同一个数字。
2、关于Hierarchical clustering
参阅：https://home.deib.polimi.it/matteucc/Clustering/tutorial_html/hierarchical.html
更多有关Hierarchical clustering的详细信息，可参阅这个视频：https://www.youtube.com/watch?v=OcoE7JlbXvY
3、关于PCA
减少复杂度（即这里的维度），同时保留结构（方差）
动态化演示参阅：https://www.mathsisfun.com/data/cartesian-coordinates-interactive.html
更多知识请推荐参阅Samer 写的论文，介绍了使用 PCA（以及扩散映射等技术）试图理解维基解密披露的电报：
http://mou3amalet.com/cargocollective/675_xuesabri-final.pdf
4、关于SVD
根据Andrew Gibiansky 写的关于 SVD 的文章中代码：
http://andrew.gibiansky.com/blog/mathematics/cool-linear-algebra-singular-value-decomposition/
可以发现，如果我们根据大小排序这些奇异值（矩阵 Σ 的值），那么前 50 个奇异值将包含整个矩阵 Σ 的大小的 85％。根据这个事实，我们可以丢弃后面的 250 个值（即将它们设为 0），仅保留这张小狗图像的「rank（秩）50」版本。值的数量差不多少了 5 倍，但质量却下降很少。上述计算的原因是当我们执行 UΣ'V 运算时，U 和 V 矩阵中的一部分因为乘 0 也被丢弃（其中 Σ' 是 Σ 的修改后版本，其中仅包含了前面的 30 个值）。