Можно использовать некоторые эмпирические правила для генерации новых объектов, не используя машинного обучения.
Требуется чтобы новые объекты были правдоподобными в своей областиМы хотим научиться создавать правдоподобный объект относительно некоторой скрытой структуры исходных объектов. Новое изображение человека должно быть правдоподобнымДавайте изучим распределение по ним, как изображение, но также человек на нём должен быть правдоподобным как человека затем просто будем сэмплировать новый объект из этого распределения. Значит эта задача относится к классу задач [[Общие понятия#Обучение без учителя (англ. Unsupervised learning)|обучения без учителя]].
Мы хотим научиться создавать правдоподобный объект относительно некоторой скрытой структуры исходных объектов. Давайте изучим распределение по ним, а затем просто будем сэмплировать новый объект из этого распределения. Значит эта задача относится к классу задач Порождающая модель иногда позволяет использовать обучение [[Общие понятия#Обучение без с частичным привлечением учителя (англ. Unsupervised Semi-supervised learning)|обучения без с частичным привлечением учителя]]. Если вы хотите отличить кошек от собак на фотографиях, у вас может быть не так уж много хорошо размеченных данных, на которых кошки и собаки старательно отмечены вручную. Но в любом случае львиная доля задачи состоит в том, чтобы вообще понять, чем разумные фотографии отличаются от случайного шума в миллионах пикселов. Иначе говоря, распределение <tex>р(у|х)</tex>, в котором <tex>у</tex> — это один бит «котик ли это?», а <tex>х</tex> — целая фотография, может быть проще обучить, если сначала узнать что-то о распределении <tex>р(х)</tex> в целом.
== Вычисление плотности распределения ==
