Supervised Learning

监督学习指的是学习input到output的映射关系（mapping），监督学习最主要的特征是会给出answers，即对每个input，给出唯一对应的output答案；并在学习后，通过给出没有output的input，猜测可能的output。
i n p u t → o u t p u t input \to output input→output
例子：

监督学习有很多种任务种类，例如：

Regression，回归，从许多可能的值中预测出一个数值
Classification，分类

Regression

从无数可能的取值中预测一个值（或者说，映射是连续的）。以预测房价为例：

input：房屋的大小
output：可能的价格

上图示例了对已知数据集，两种不同拟合方式的获得的不同映射关系。在后面的课程中会学习如何决定拟合方式。

Classification

输出是有限的离散值（class或category，都可以），将不同的input分类。

categories可以是数字，也可以是其他的，例如猫，狗之类的标签。

输入也可以不只是单一的，可以是多维的，例如，在进行细胞分类中，可以将细胞大小和病人年龄共同张成向量空间，并进行分类，如下图所示。

Unsupervised Learning

不给出任何对应output（或者说绑定label）的input，只是发掘未标记数据中的可能特征、模式或结构。

非监督学习的任务种类包括：

Clusters，聚类，将未标记的数据放在不同集群中，甚至自己提取组内数据的共同特征
Anomaly Detection，异常检测，检查异常行为
Dimensionality reduction，降维，将一个大数据集，在不降低过多精度的情况下，压缩成更小的数据集

Clusters

在没有监督的条件下，对未标记数据进行自动分类；又是也包括提取组内数据的共同特征。

例如，谷歌新闻会检索所有的当天新闻，并将可能相关的新闻整理成一组推送

再比如，DNA数据的聚类，从而发掘出不同基因之间的潜在联系性（比如不喜欢吃蔬菜和某些先天性疾病的关联）；如下图所示，颜色值代表基因的不同表达程度，每列是一个样本，每行是样本的不同基因。可以通过聚类将样本进行分类，发掘其中的潜在联系。