Machine-Learning
無監督、有監督和半監督學習
在機器學習的背景下，兩者有什麼區別
- 無監督學習
- 監督學習和
- 半監督學習？
有哪些主要的算法方法可供研究？
一般來說，機器學習的問題可以被認為是用於分類、預測或建模的函數估計的變體。
在監督學習中，一個提供輸入（ $ x_1 $ , $ x_2 $ , …,) 和輸出 ( $ y_1 $ , $ y_2 $ , …,) 並面臨著尋找一個以可概括的方式近似此行為的函數的挑戰。輸出可以是類標籤（在分類中）或實數（在回歸中）——這些是監督學習中的“監督”。
在無監督學習的情況下，在基本情況下，您接收輸入 $ x_1 $ , $ x_2 $ , …，但既沒有提供目標輸出，也沒有提供來自其環境的獎勵。根據問題（分類或預測）和您對採樣空間的背景知識，您可以使用各種方法：密度估計（估計一些潛在的 PDF 進行預測）、k-means 聚類（分類未標記的實值數據）、k-模式聚類（分類未標記的分類數據）等。
半監督學習涉及對標記和未標記數據的函數估計。這種方法的動機是，標記數據的生成成本通常很高，而未標記的數據通常不會。這裡的挑戰主要涉及如何處理以這種方式混合的數據的技術問題。有關半監督學習方法的更多詳細信息，請參閱此半監督學習文獻調查。
除了這些類型的學習之外，還有其他類型的學習，例如強化學習，即學習方法通過產生動作與其環境交互 $ a_1 $ , $ a_2 $ , . . ..產生獎勵或懲罰 $ r_1 $ , $ r_2 $ , …