监督学习:你给出各种标记的示例数据作为输入，以及正确的答案。该算法将从中学习，并开始根据输入预测正确的结果。示例:电子邮件垃圾邮件过滤器

无监督学习:你只提供数据，不告诉任何东西——比如标签或正确答案。算法自动分析数据中的模式。例如:谷歌新闻

监督式机器学习 算法从训练数据集中学习的过程 预测产出。”

预测输出精度与训练数据(长度)成正比

监督学习是指你有输入变量(x)(训练数据集)和输出变量(Y)(测试数据集)，你使用一种算法来学习从输入到输出的映射函数。

Y = f(X)

主要类型:

分类(离散y轴) 预测(连续y轴)

算法:

分类算法: 神经网络 Naïve贝叶斯分类器 费雪线性判别 然而, 决策树 超级向量机 预测算法: 最近的邻居 线性回归，多元回归

应用领域:

将电子邮件分类为垃圾邮件 患者是否有 疾病与否 语音识别 预测HR是否会选择特定的候选人 预测股票市场价格

监督式学习

监督学习是我们知道原始输入的输出，即数据被标记，以便在机器学习模型的训练期间，它将了解它需要在给定的输出中检测什么，并且它将指导系统在训练期间检测预先标记的对象，在此基础上，它将检测我们在训练中提供的类似对象。

在这里，算法将知道数据的结构和模式。监督学习用于分类

例如，我们可以有一个不同的物体，其形状是正方形，圆形，三角形，我们的任务是排列相同类型的形状 标记的数据集已经标记了所有的形状，我们将在该数据集上训练机器学习模型，在训练数据集的基础上，它将开始检测形状。

联合国监管下学习

无监督学习是一种最终结果未知的无指导学习，它将对数据集进行聚类，并基于对象的相似属性将对象划分在不同的簇上并检测对象。

算法将在原始数据中搜索不同的模式，并在此基础上对数据进行聚类。无监督学习用于聚类。

例如，我们可以有多种形状的不同物体，正方形，圆形，三角形，所以它会根据对象属性进行分组，如果一个物体有四个边，它会认为它是正方形，如果它有三个边，三角形，如果没有边比圆形，这里的数据没有标记，它会学习自己检测各种形状

监督式学习

训练数据包括输入向量的示例及其相应的目标向量的应用被称为监督学习问题。

无监督学习

在其他模式识别问题中，训练数据由一组输入向量x组成，没有任何对应的目标值。这种无监督学习问题的目标可能是在数据中发现相似的例子组，在这里它被称为聚类

模式识别和机器学习(Bishop, 2006)

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。

监督学习可以根据训练过程中的学习，将一个新项目标记为训练过的标签之一。您需要提供大量的训练数据集、验证数据集和测试数据集。如果你提供数字的像素图像向量以及带有标签的训练数据，那么它就可以识别数字。

无监督学习不需要训练数据集。在无监督学习中，它可以根据输入向量的差异将项目分组到不同的簇中。如果你提供像素的数字图像向量，并要求它分为10个类别，它可能会这样做。但它知道如何标注，因为你没有提供培训标签。