在简单 监督学习是一种机器学习问题，其中我们有一些标签，通过使用这些标签，我们实现了回归和分类等算法。分类应用于我们的输出形式类似于 0或1，真/假，是/否。回归是应用于实际价值的地方，比如房价

无监督学习是一种机器学习问题，其中我们没有任何标签，意味着我们只有一些数据，非结构化数据，我们必须使用各种无监督算法对数据进行聚类(数据分组)

我尽量简单点。

监督学习:在这种学习技术中，我们得到一个数据集，系统已经知道该数据集的正确输出。这里，我们的系统通过预测自己的值来学习。然后，它通过使用代价函数来检查其预测与实际输出的接近程度，从而进行准确性检查。

无监督学习:在这种方法中，我们很少或根本不知道我们的结果是什么。因此，我们从不知道变量影响的数据中推导出结构。 我们根据数据中变量之间的关系对数据进行聚类，从而形成结构。 在这里，我们没有基于预测的反馈。

机器学习是一个让机器模仿人类行为的领域。

你训练机器就像训练婴儿一样。人类学习、识别特征、识别模式并训练自己的方式，就像你通过输入各种特征的数据来训练机器一样。机器算法识别数据中的模式，并将其分类到特定的类别。

机器学习大致分为两类，有监督学习和无监督学习。

监督学习是一个概念，你有相应的目标值(输出)的输入向量/数据。另一方面，无监督学习的概念是只有输入向量/数据，没有任何相应的目标值。

监督学习的一个例子是手写数字识别，其中有对应数字[0-9]的数字图像，而非监督学习的一个例子是根据购买行为对客户进行分组。

监督学习:你有标记的数据，必须从中学习。例如，房屋数据和价格，然后学会预测价格

无监督学习:你必须找到趋势，然后预测，没有预先给出的标签。 例句:班里有不同的人，然后又来了一个新同学，那么这个新同学属于哪个组呢?

监督式学习

在这种情况下，用于训练网络的每个输入模式都是 与输出模式相关联，它是目标或所需的 模式。在学习过程中假定有老师在场 过程，当对网络的计算结果进行比较时 输出和正确的预期输出，以确定误差。的 错误可以用来更改网络参数，从而导致 性能的提高。

无监督学习

在这种学习方法中，目标输出不会呈现给机器 网络。这就好像没有老师来呈现所渴望的 模式，因此，系统通过发现和学习自己 适应输入模式中的结构特征。

监督式学习

监督学习是基于对数据样本的训练 来自已分配正确分类的数据源。 这种技术用于前馈或多层 感知器(MLP)模型。这些MLP有三个特点 特点:

一层或多层不属于输入的隐藏神经元 或者网络的输出层，使网络能够学习和 解决任何复杂的问题 神经元活动所反映的非线性为 可微的, 网络的互联模型表现出高度的互联性 连通性。

These characteristics along with learning through training solve difficult and diverse problems. Learning through training in a supervised ANN model also called as error backpropagation algorithm. The error correction-learning algorithm trains the network based on the input-output samples and finds error signal, which is the difference of the output calculated and the desired output and adjusts the synaptic weights of the neurons that is proportional to the product of the error signal and the input instance of the synaptic weight. Based on this principle, error back propagation learning occurs in two passes:

传球前进:

这里，输入向量被呈现给网络。这个输入信号向前传播，一个神经元一个神经元地通过网络，并出现在输出端 网络作为输出信号:y(n) = φ(v(n))，其中v(n)是神经元的诱导局部场，定义为v(n) =Σ w(n)y(n)。在输出层o(n)计算的输出与期望的响应d(n)进行比较，并找到该神经元的误差e(n)。在这一过程中，神经网络的突触权重保持不变。

向后传递:

产生于该层输出神经元的错误信号通过网络向后传播。这将计算每个层中每个神经元的局部梯度，并允许网络的突触权值按照delta规则发生变化，如下:

Δw(n) = η * δ(n) * y(n).

这种递归计算继续进行，对每个输入模式进行向前传递和向后传递，直到网络收敛。

人工神经网络的监督学习模式是有效的，可以解决分类、植物控制、预测、预测、机器人等线性和非线性问题。

无监督学习

Self-Organizing neural networks learn using unsupervised learning algorithm to identify hidden patterns in unlabelled input data. This unsupervised refers to the ability to learn and organize information without providing an error signal to evaluate the potential solution. The lack of direction for the learning algorithm in unsupervised learning can sometime be advantageous, since it lets the algorithm to look back for patterns that have not been previously considered. The main characteristics of Self-Organizing Maps (SOM) are:

它将任意维度的输入信号模式转换为 一维或二维映射，并自适应地执行这种转换 该网络表示具有单一的前馈结构 计算层由一排排排列的神经元组成 列。在表示的每个阶段，每个输入信号都被保留 在适当的情况下， 处理紧密相关信息的神经元是紧密的 它们一起通过突触连接进行交流。

计算层也被称为竞争层，因为该层中的神经元相互竞争变得活跃。因此，这种学习算法被称为竞争算法。SOM中的无监督算法 工作分为三个阶段:

竞争阶段:

对于呈现给网络的每一个输入模式x，计算与突触权值w的内积，竞争层神经元找到一个诱发神经元竞争的判别函数，在欧氏距离上与输入权值向量接近的突触权值向量被宣布为竞争获胜者。这个神经元被称为最佳匹配神经元，

i.e. x = arg min ║x - w║.

合作的阶段:

获胜的神经元决定了合作神经元的拓扑邻域h的中心。这是通过横向相互作用d之间 合作的神经元。这种拓扑邻域在一段时间内减小了它的大小。

适应阶段:

使获胜的神经元及其邻近神经元根据输入模式增加其判别函数的个体值 通过适当的突触权重调整，

 Δw = ηh(x)(x –w).

在训练模式重复呈现后，由于邻域更新，神经网络的权重向量倾向于跟随输入模式的分布，因此神经网络在没有监督的情况下进行学习。

自组织模型自然地代表了神经生物学行为，因此被用于许多现实世界的应用，如聚类，语音识别，纹理分割，矢量编码等。

参考。