有监督学习和无监督学习的区别

（1）有监督和无监督算法的区别是以训练数据有没有标签区分的。
（2）有监督和无监督算法也可以使用训练集有无输出来区分：训练集有输入有输出是有监督，训练集只有输入没有输出是无监督。

1. 有监督学习

比如识别猫和狗的照片，这就是一个有监督的学习过程，必须告诉机器每一张照片所属的类别（猫或者狗），也就是对具有标签信息的训练样本进行学习，来尽可能对训练样本集意外的数据进行分类。

监督式机器学习适用于你知道输入数据结果的情况。

假设你要创建一个图像分类机器学习算法，该算法可以检测猫，狗和马的图像。
要训练AI模型，你必须收集猫，狗和马照片的大型数据集。但是在将它们输入机器学习算法之前，你必须使用它们各自类的名称对其进行注释。注释可能包括使用文件命名约定将每个类的图像放在单独的文件夹中，或将元数据附加到图像文件中，这是一项费力的手动任务。
标记数据后，机器学习算法（例如卷积神经网络或支持向量机）将处理示例，并开发可将每个图像映射到其正确类别的数学模型。如果对AI模型进行足够的带有标签的示例训练，它将能够准确地检测出包含猫，狗，马的新图像类别。

监督机器学习解决了两种类型的问题：分类和回归。
上面说明的示例是一个分类问题，其中机器学习模型必须将输入放入特定的存储桶或类别中。分类问题的另一个示例是语音识别。

回归机器学习模型不限于特定类别。它们可以具有连续的，无限的价值，例如客户将为产品支付多少费用或明天下雨的可能性。

一些常见的监督学习算法包括：

线性回归
逻辑回归
正则化回归
朴素贝叶斯
支持向量机
决策树和随机森林
人工神经网络
EDA（Exploratory Data Analysis）
K-Nearest Neighbors（KNN）
交叉验证（CV）
ROC曲线
超参数调优

SVM、LR、决策树的对比？

SVM和LR都是用于线性分类的算法，但SVM强于LR的地方在于SVM可以引入核函数将非线性可分的学习数据映射到高维变得线性可分，一般小数据中SVM比LR更优一些。但LR可以预测概率，而SVM不可以，它依赖于数据测度，需要先做归一化，LR一般不需要，所以大量的数据，LR使用更广泛。

决策树也是用于分类任务，不过是基于规则划分的算法，根据特征的信息增益或者信息增益比指定划分规则，建立树状结构，通过叶节点给出分类的类别。‍‍‍‍‍

2. 无监督学习

而无监督就是没有标签信息的一个学习过程，来发现训练样本集中的结构性知识。
K-means是众所周知的无监督聚类机器学习算法。
主成分分析（PCA）是一种流行的降维机器学习算法。
一些安全分析师还使用无监督的机器学习进行异常检测，以识别组织网络中的恶意活动。

无监督学习大体可分为生成式学习与对比式学习。
生成式学习以自编码器(例如GAN，VAE等等)这类方法为代表，由数据生成数据，使之在整体或者高级语义上与训练数据相近。
对比式学习着重于学习同类样本之间的共同特征，区分非同类样本之间的不同之处。与生成式学习比较，对比式学习不需要关注样本上繁琐的细节，只需要在抽象语义级别的特征空间上学会对数据的区分即可，因此模型以及其优化变得更加简单，且泛化更强。
对比学习的目标是学习一个编码器，此编码器对同类数据进行相似的编码，并使不同类的数据的编码结果尽可能的不同。

一些常见的无监督学习算法包括：

Kmeans聚类
聚类分析
标准化
层次分析法
T-分布随机近邻嵌入(T - SNE)
主成分分析（PCA）
EM算法

3. 半监督学习

半监督学习则是介于有监督学习和无监督学习两者之间的学习技术，它同时利用有标记样本与无标记样本进行学习。
半监督学习常用在语音识别领域、自然语言处理领域以及生物学领域对蛋白质序列的分类问题（蛋白质结构预测）。

4. 强化学习

强化学习是机器学习中的一个领域，强调如何基于环境而行动，以取得最大化的预期利益。其灵感来源于心理学中的行为主义理论，即有机体如何在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，产生能获得最大利益的习惯性行为。强化学习最早可以追溯到巴甫洛夫的条件反射实验，它从动物行为研究和优化控制两个领域独立发展，最终经Bellman之手将其抽象为马尔可夫决策过程 (Markov Decision Process，MDP)。
强化学习的应用最有名的是Alpha Go，它还可以用到资源调度、无人驾驶、、服务推荐等领域。

参考

机器学习全面教程 & 有监督学习篇
机器学习全面教程-无监督学习篇
机器学习算法之有监督学习和无监督学习的区别
【大咖来解惑】无监督和有监督算法，区别在哪里？
半监督学习综述
强化学习入门总结
有监督学习,无监督学习,半监督学习和强化学习

【机器学习】有监督学习,无监督学习,半监督学习和强化学习相关推荐

具有多样-代表性奖励机制的无监督视频摘要深度强化学习
题目 <Deep Reinforcement Learning for Unsupervised Video Summarization with Diversity-Representativ ...
西瓜书+实战+吴恩达机器学习（十六）半监督学习（半监督SVM、半监督k-means、协同训练算法）
文章目录 0. 前言 1. 半监督SVM 2. 半监督k-means 2.1. 约束k-means 2.2. 约束种子k-means 3. 协同训练算法如果这篇文章对你有一点小小的帮助,请给个关注, ...
监督学习和无监督学习_让半监督学习再次伟大！谷歌最新无监督数据增强研究，全面超越现有半监督学习方法...
新智元报道来源:GoogleAI 编辑:元子 [新智元导读]Google AI最新研究用无监督数据增强推进半监督学习,取得令人瞩目的成果.该方法超越了所有现有的半监督学习方法,并实现了仅使用 ...
详解机器学习的凸优化、图神经网络、强化学习、贝叶斯方法等四大主题
AI是一门入门简单,但想深入却很难的学科,这也是为什么AI高端人才一直非常紧缺的重要原因.在AI领域技术领域,我们可以说机器学习功底决定了一个人的上限也不为过.为什么?机器学习就像物理学中的数学,如果 ...
【机器学习】带你轻松理解什么是强化学习中的状态动作函数？
系列文章目录第十八章 Python 机器学习入门之强化学习目录系列文章目录前言一.状态动作函数的定义二.直观理解三.将状态动作函数与回报和策略联系起来总结前言强化学习中的状态动作函 ...
机器学习中的有监督学习，无监督学习，半监督学习
在机器学习(Machine learning)领域,主要有三类不同的学习方法: 监督学习(Supervised learning). 非监督学习(Unsupervised learning). 半监督 ...
【机器学习基本概念】监督学习、无监督学习、半监督学习与强化学习
本文转载自:一文读懂监督学习.无监督学习.半监督学习与强化学习这四种深度学习方式一般说来,训练深度学习网络的方式主要有四种:监督.无监督.半监督和强化学习.在接下来的文章中,计算机视觉战队将逐个解释 ...
监督学习、无监督学习、半监督学习和强化学习
https://www.toutiao.com/a6673066493946626574/ AI 想必大家都知道,在机器学习训练一个模型的过程中需要大量的数据进行喂养.根据训练的模型不同,一般有如下的 ...
【机器学习】监督学习，非监督学习，半监督学习三者的定义区别及举例分析
监督(supervised)= 标签(label),是否有监督,就是输入数据(input)是否有标签,有标签则为有监督学习,没标签则为无监督学习.至于半监督学习,就是一半(一点点)数据有标签,一半(极 ...
机器学习_监督学习、非监督学习、半监督学习以及强化学习概念介绍
机器学习中通常根据数据是否有标签可以分为监督学习(supervised learning).非监督学习(unsupervised learning) 和半监督学习(semi-supervised le ...

【机器学习】有监督学习,无监督学习,半监督学习和强化学习

有监督学习,无监督学习,半监督学习和强化学习