监督学习（无、半）&分类与回归

一、监督学习

1、定义：

        监督学习是从标记的训练数据来推断一个功能的机器学习任务。在监督学习中，每个实例都是由一个输入对象（通常为矢量）和一个期望的输出值（也称为监督信号）组成。

2、举例：

        通过已知病例学习诊断技术那样，计算机要通过学习才能具有识别各种事物和现象的能力。

3、使用场景：

        监督学习方法是目前研究较为广泛的一种机器学习方法，例如神经网络传播算法、决策树学习算法

二、无监督学习

1、定义：

        根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题

2、举例：

        无监督学习里典型例子是聚类。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。

3、使用场景：

        目前深度学习中的无监督学习主要分为两类，一类是确定型的自编码方法及其改进算法，其目标主要是能够从抽象后的数据中尽量无损地恢复原有数据，一类是概率型的受限波尔兹曼机及其改进算法，其目标主要是使受限玻尔兹曼机达到稳定状态时原数据出现的概率最大。

三、半监督学习

1、定义：

        半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作

四、回归(regression)与分类(classification)

1、回归

        回归问题通常是用来预测连续值，如预测房价、未来的天气情况

2、分类

        分类问题是用于将事物打上一个标签，通常结果为离散值

3、相关模型的选择