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 ...

在机器学习中，监督学习和非监督学习算法是非常重要的，但是二者应该如何区分开来呢？ 要向对二者进行区分，首先就要对训练的数据进行检查，看一下训练数据中是否有标签，这是二者最根本的区别。监督学习的数据既有特征又有标签，而非监督学习的数据中只有特征而没有标签。 监督学习是通过训练让机器自己找到特征 ...

监督学习：通过人为地输入带有标签的训练数据集，使计算机训练得到一个较为合适的模型，对未知标签的数据进行预测。常见的监督学习算法：回归和分类。 1.回归(Regression)：通常有两个及以上变量，数据一般是连续的，通过训练集变量之间的关系得到一条模拟训练样本的曲线，对未知数据的因变量进行预测 ...

，通过对模型的使用使得机器比以往表现的更好。 从字面意思上看，监督学习和非监督学习：变量 ...

前言 机器学习分为：监督学习，无监督学习，半监督学习（强化学习）等。 在这里，主要理解一下监督学习和无监督学习。 监督学习（supervised learning） 从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入输出 ...

深度学习算法工程师的基本要求 熟练掌握python和c++编程，至少熟悉 Caffe 和 Tensorflow/Pytorch 两种框架。 熟练玩转深度学习各类模型架构使用和设计。 熟练玩转数据的整理和使用，必须深刻理解数据在深度学习任务中的地位。 编程语言 C/C++ ...

众所周知，机器学习的训练数据之所以非常昂贵，是因为需要大量人工标注数据。 autoencoder可以输入数据和输出数据维度相同，这样测试数据匹配时和训练数据的输出端直接匹配，从而实现无监督训练的效果。并且，autoencoder可以起到降维作用，虽然输入输出端维度相同，但中间层可以维度很小 ...

前面主要回顾了无监督学习中的三种降维方法，本节主要学习另一种无监督学习AutoEncoder，这个方法在无监督学习领域应用比较广泛，尤其是其思想比较通用。 AutoEncoder 0.AutoEncoder简介 在PCA一节中提到，PCA的可以看做是一种NN模型，通过输入数据，乘以权重w ...