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。

机器学习: 它探索了可以从数据中学习并对数据进行预测的算法的研究和构建。这种算法通过从示例输入中构建模型来运行，以便做出数据驱动的预测或作为输出表示的决策，而不是严格地遵循静态的程序指令。

监督式学习: 这是从标记的训练数据推断出函数的机器学习任务。训练数据由一组训练示例组成。在监督学习中，每个例子都是一对，由一个输入对象(通常是一个向量)和一个期望的输出值(也称为监督信号)组成。监督学习算法分析训练数据并产生推断函数，该函数可用于映射新的示例。

由“老师”给计算机提供示例输入和它们期望的输出，目标是学习将输入映射到输出的一般规则。具体来说，有监督学习算法采用一组已知的输入数据和对数据(输出)的已知响应，并训练一个模型来生成对新数据响应的合理预测。

Unsupervised learning: It is learning without a teacher. One basic thing that you might want to do with data is to visualize it. It is the machine learning task of inferring a function to describe hidden structure from unlabeled data. Since the examples given to the learner are unlabeled, there is no error or reward signal to evaluate a potential solution. This distinguishes unsupervised learning from supervised learning. Unsupervised learning uses procedures that attempt to find natural partitions of patterns.

在无监督学习中，没有基于预测结果的反馈，也就是说，没有老师来纠正你。在无监督学习方法下，不提供标记的示例，在学习过程中没有输出的概念。因此，由学习方案/模型来寻找模式或发现输入数据的组

你应该使用无监督学习方法，当你需要一个大的 训练你的模型的数据量，以及意愿和能力 去实验和探索，当然这是一个不太好的挑战 通过更成熟的方法解决。无监督学习就是这样 可以学习比监督更大更复杂的模型 学习。这里有一个很好的例子

.

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。

监督式学习

你有输入x和目标输出t。所以你训练算法泛化到缺失的部分。它被监督是因为目标是给定的。你是管理员，告诉算法:对于例子x，你应该输出t!

无监督学习

虽然分割、聚类和压缩通常是按照这个方向计算的，但我很难给出一个好的定义。

让我们以自动编码器压缩为例。当你只有给定的输入x时，人类工程师是如何告诉算法目标也是x的。所以在某种意义上，这与监督学习没有什么不同。

对于聚类和分割，我不太确定它是否真的符合机器学习的定义(见其他问题)。

我一直认为无监督学习和有监督学习之间的区别是随意的，有点令人困惑。这两种情况之间没有真正的区别，相反，在一系列情况下，算法可以或多或少地“监督”。半监督学习的存在是界限模糊的一个明显例子。

我倾向于认为监督是对算法提供关于应该首选哪些解决方案的反馈。对于传统的监督设置，比如垃圾邮件检测，你告诉算法“不要在训练集上犯任何错误”;对于传统的无监督设置，比如聚类，你告诉算法“彼此接近的点应该在同一个聚类中”。很巧的是，第一种反馈形式比后者更具体。

简而言之，当有人说“有监督”时，想想分类，当他们说“无监督”时，想想聚类，尽量不要过于担心除此之外的问题。