监督式学习：全部使用含有标签的数据来训练分类器。 无监督式学习：具有数据集但无标签（即聚类）。 半监督学习：使用大量含有标签的数据和少量不含标签的数据进行训练分类或者聚类。 半监督学习：纯半监督学习和直推式学习 纯半监督学习和直推式学习的区别： 半监督学习在学习使并不知道最终 ...

转自：https://zhuanlan.zhihu.com/p/108906502 1. 什么是自监督学习？ 自监督学习主要是利用辅助任务（pretext）从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。 2.如何评测 ...

1 监督学习 　　利用一组带标签的数据, 学习从输入到输出的映射, 然后将这种映射关系应用到未知数据, 达到分类或者回归的目的 　　(1) 分类: 当输出是离散的, 学习任务为分类任务 　　　　 　　　　输入: 一组有标签的训练数据(也叫观察和评估), 标签表明了这些数据(观察)的所属类别 ...

最近的一段时间一直在学习半监督学习算法，目前，国内的南京大学周志华老师是这方面的泰斗，写了很多这方面牛的文章，可以参考一下他的主页：http://cs.nju.edu.cn/zhouzh/。在国内的学术界周老师一直是我比较钦佩的人之一。下面贴出来的文章出自周老师之手，通俗易懂 ...

概述 监督学习指的是训练样本包含标记信息的学习任务，例如：常见的分类与回归算法； 无监督学习则是训练样本不包含标记信息的学习任务，例如：聚类算法。 在实际生活中，常常会出现一部分样本有标记和较多样本无标记的情形，例如：做网页推荐时需要让用户标记出感兴趣的网页，但是少有用户愿意花时间来提供标记 ...

监督机器学习问题主要有两种，分别叫作分类（classification）与回归（regression）。 分类问题的目标是预测类别标签（class label），这些标签来自预定义的可选列表。在二分类问题中，我们通常将其中一个类别称为正类（positive class），另一个类别称为反 类 ...

一、半监督学习 1-1、什么是半监督学习 让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能，就是半监督学习（semi-supervised learning）。 要利用未标记样本，必然要做一些将未标记样本所揭示的数据分布信息与类别标记相联系的假设。假设的本质是“相似的样本拥有相似 ...

以下是摘抄自知乎上对监督学习与非监督学习的总结，觉得写得很形象，于是记下： 这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习首 先看什么是学习（learning）？一个成语就可概括：举一反三 ...