12月26日，《人工智能系列讀書班》活動照常進行，何川博士主持了“聚類”算法的讨論會，首先介紹了聚類算法的任務、性能度量、距離計算，然後重點介紹了原型聚類中的Kmeans均值算法、學習向量量化LVQ以及高斯混合聚類GMM，最後介紹了密度聚類DBSCAN、層次聚類AGNES等：
圖1 何川博士主持聚類算法讨論會
活動中，何川博士分享了幾個聚類算法在多個數據集上的運行結果，并分析了各自的優缺點：
圖2 多個聚類算法的演示界面
原型聚類中，Kmeans簡單但受制于預先設定聚類數，GMM的聚類效果相對比較好，但聚類數的預先設定将影響實驗結果：
圖3 GMM聚類實驗結果圖
密度聚類，不需要預先指定聚類數，但要預先指定簇的最小點數和半徑，如果這兩個參數設置不好，容易使得聚類結果的局部最優化，達不到全局最優化，如下：
圖4 DBSCAN聚類實驗結果圖
在自由讨論環節，大家讨論了集中聚類算法的優缺點，在垂直領域已知數據分布的情況下，Kmeans簡單有效；GMM采用概率模型表達聚類原型，與深度學習架構可以建立級聯關系；同時讨論了密度聚類DBSCAN與原型聚類GMM是否可以結合的問題。
何川博士還分享了最近幾年聚類算法的改進的主要工作，包括對比聚類、基于粒球的快速DBSCAN聚類、基于圖濾波的子空間聚類算法、混合遺傳-模糊蟻群優化算法的自動k均值聚類方法、粒球計算的流形聚類算法等。
最後，沈來信教授分享了GMM在語音識别、圖像分割等領域的聚類應用：
圖5 GMM用于圖像分割
（會議總結：沈來信）