监督学习有哪些步骤?

1. 数据的创建和分类,

(标注-划分测试和训练集)

2.数据增强(data Augmentation),

一般搜集的数据并不一定包含目标在各种扰动下的信息,数据增强一般包括，图像旋转，平移，颜色变换，裁剪，仿射变换

3.特征工程(Feature Engineering),

包括特征提取和特征选择,机器学习的特征工程不在被关注,研究者提出的不同的网络结构、正则化、归一化方法实际上就是深度学习背景下的特征工程.

4.构建预测模型和损失

.构建模型预测和标签之间的损失函数，常见的损失函数(Loss Function)有交叉熵、均方差等

5. 训练,

选择合适的模型和超参数,参数比如支持向量机中核函数、误差项惩罚权重等,通过合适的优化方法不断缩小输出与标签之间的差距,优化方法最常见的就是梯度下降法及其变种.

6.验证和模型选择. 

需要进行模型测试。利用验证集来验证模型是否可以准确地挑选出含有气球在内的照片。 ​ 在此过程中，通常会通过调整和模型相关的各种事物（超参数）来重复步骤2和3，诸如里面有多少个节点，有多少层，使用怎样的激活函数和损失函数，如何在反向传播阶段积极有效地训练权值等等 

7. 测试和应用.

当有了一个准确的模型，就可以将该模型部署到你的应用程序中。你可以将预测功能发布为API（Application Programming Interface, 应用程序编程接口）调用，并且你可以从软件中调用该API，从而进行推理并给出相应的结果。