以下是摘抄自知乎上對監督學習與非監督學習的總結，覺得寫得很形象，於是記下： 這個問題可以回答得很簡單：是否有監督（supervised），就看輸入數據是否有標簽（label）。輸入數據有標簽，則為有監督學習，沒標簽則為無監督學習首 先看什么是學習（learning）？一個成語就可概括：舉一反三 ...

監督學習：通過人為地輸入帶有標簽的訓練數據集，使計算機訓練得到一個較為合適的模型，對未知標簽的數據進行預測。常見的監督學習算法：回歸和分類。 1.回歸(Regression)：通常有兩個及以上變量，數據一般是連續的，通過訓練集變量之間的關系得到一條模擬訓練樣本的曲線，對未知數據的因變量進行預測 ...

，通過對模型的使用使得機器比以往表現的更好。 從字面意思上看，監督學習和非監督學習：變量 ...

前言 機器學習分為：監督學習，無監督學習，半監督學習（強化學習）等。 在這里，主要理解一下監督學習和無監督學習。 監督學習（supervised learning） 從給定的訓練數據集中學習出一個函數（模型參數），當新的數據到來時，可以根據這個函數預測結果。監督學習的訓練集要求包括輸入輸出 ...

機器學習分為：監督學習，無監督學習，半監督學習（也可以用hinton所說的強化學習）等。 監督與無監督區別： 1. 有監督學習方法必須要有訓練集與測試樣本。在訓練集中找規律，而對測試樣本使用這種規律。而非監督學習沒有訓練集，只有一組數據，在該組數據集內尋找規律。 2. ...

有監督學習和無監督學習兩者的區別： 1.有標簽就是有監督學習，沒有標簽就是無監督學習，說的詳細一點，有監督學習的目的是在訓練集中找規律，然后對測試數據運用這種規律，而無監督學習沒有訓練集，只有一組數據，在該組數據集內尋找規律。 2. 無監督學習方法在尋找數據集中的規律性，這種規律性並不一定 ...

監督式學習：全部使用含有標簽的數據來訓練分類器。 無監督式學習：具有數據集但無標簽（即聚類）。 半監督學習：使用大量含有標簽的數據和少量不含標簽的數據進行訓練分類或者聚類。 半監督學習：純半監督學習和直推式學習 純半監督學習和直推式學習的區別： 半監督學習在學習使並不知道最終 ...

轉自：https://zhuanlan.zhihu.com/p/108906502 1. 什么是自監督學習？ 自監督學習主要是利用輔助任務（pretext）從大規模的無監督數據中挖掘自身的監督信息，通過這種構造的監督信息對網絡進行訓練，從而可以學習到對下游任務有價值的表征。 2.如何評測 ...