等应用　　机器学习的分类 　　　　监督学习 （Supervised Learning） 　　　　　 ...

机器学习分为：监督学习，无监督学习，半监督学习（也可以用hinton所说的强化学习）等。 监督与无监督区别： 1. 有监督学习方法必须要有训练集与测试样本。在训练集中找规律，而对测试样本使用这种规律。而非监督学习没有训练集，只有一组数据，在该组数据集内寻找规律。 2. ...

　　监督学习，就是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。在人 ...

有监督学习和无监督学习两者的区别： 1.有标签就是有监督学习，没有标签就是无监督学习，说的详细一点，有监督学习的目的是在训练集中找规律，然后对测试数据运用这种规律，而无监督学习没有训练集，只有一组数据，在该组数据集内寻找规律。 2. 无监督学习方法在寻找数据集中的规律性，这种规律性并不一定 ...

监督学习，就是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力 ...

1、监督学习 　　监督学习利用大量的标注数据来训练模型，模型的预测和数据的真实标签产生损失（把标签数值化？）后进行反向传播（计算梯度、更新参数），通过不断的学习，最终可以获得识别新样本的能力。 2、无监督学习 　　无监督学习不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系 ...

监督学习：训练集的每一个数据已经有特征和标签，即有输入数据和输出数据，通过学习训练集中输入数据和输出数据的关系，生成合适的函数将输入映射到输出。比如分类、回归。 无监督学习：训练集的每一个数据都只有特征，即只有输入数据，算法需要学习训练集中的特征关系，进行建模，试图使类内差距最小、类间差距最大 ...

监督学习(supervised learning)、半监督学习（Semi-supervised learning）、无监督学习（unsupervised learning）是以训练样本中的标签进行区分的。 若训练样本都有标签，则为监督学习；若训练样本都没有标签，则为无监督学习；若训练样本中有 ...